三重态-三重态湮灭（TTA）是一种光物理过程，可以将两个低能量的三重态激子转化为一个高能量的单重态激子，从而产生延迟荧光或光子上转换。[1],[2] 作为一种低功耗的光管理途径，这一机制在下一代光电和光化学系统中受到了广泛关注，包括有机发光二极管（OLED）、光催化、光伏和生物成像。[3],[4],[5],[6] 与多光子吸收过程不同，基于TTA的上转换在连续波或弱光照下也能高效运行，为实际应用提供了能量和实用性的优势。[7],[8],[9],[10]
在已知的TTA活性分子系统中，蒽衍生物是最被研究且功能最多样化的。它们刚性的芳香骨架、明确的三重态能量和出色的光稳定性使它们成为固态和溶液基系统的基准湮灭剂。许多研究——包括Gray等人、Zhong等人和Kondakov等人的研究——表明，通过用π共轭取代基（苯基、炔基、咔唑或杂芳香基）修饰蒽的9,10位可以显著调节其单重态和三重态能量水平，从而影响TTA效率。[1],[2],[11],[12] 结构因素，如共轭长度、供体-受体平衡和分子刚性，不仅决定了三重态扩散所需的电子耦合，还决定了单重态形成的热力学可行性。[13],[14],[15],[16]
尽管有大量的实验数据，但人们对结构修饰如何影响TTA性能仍缺乏一致和预测性的理解。具有相似光学带隙的蒽衍生物往往由于几何形状、取代基取向或自旋-轨道耦合（SOC）的微妙变化而表现出不同的TTA效率。[16],[17] 这一过程本质上是多维的，涉及电子结构、三重态扩散、分子堆积和非辐射松弛途径的相互作用。[18],[19],[20] 因此，传统的结构-性质相关性或单参数分析往往不足以解释不同分子家族之间的实验趋势。
材料信息学和人工智能的最新进展现在为解码这些复杂关系提供了变革性的机会。[21],[22],[23],[24],[25],[26],[27] 机器学习（ML）通过揭示高维数据集中的非线性模式，提供了一个强大的框架，用于定量关联分子结构、能量和光学响应。[28],[29],[30] 在TTA研究的背景下，ML能够系统地整合多种描述符——如单重态-三重态能量带隙、连接剂刚性和SOC强度——以高精度预测光子上转换效率。这种方法弥合了经验实验和预测建模之间的差距，减少了试错合成的需求，同时揭示了控制激子动力学的潜在物理机制。[31],[32],[33]
在这项研究中，我们构建了一个经过筛选并经过文献验证的蒽基发光体数据集，涵盖了六十多种不同的衍生物。该数据集整合了实验上的上转换量子产率、光物理参数以及来自量子化学计算和先前报告的计算分子描述符。基于这一基础，我们开发了一个可解释的ML模型，可以预测定量上的上转换效率和定性的TTA活性。该模型不仅再现了已知的能量趋势，还阐明了新的结构-性质原理，揭示了适度释能性、刚性π桥接和平衡的SOC如何协同作用以最大化三重态融合概率。
这项工作是首次系统地将光物理理论与基于机器学习的分子设计结合在TTA系统中的尝试之一。除了预测准确性外，该模型还提供了化学可解释性，突出了能量对齐和结构刚性在控制上转换行为中的协同作用。通过将数据驱动的分析和分子光物理学结合起来，这项研究为高效湮灭剂的合理发现奠定了基础，这些湮灭剂可用于光子上转换、有机电子学和光捕获技术。
