2026年7月21日——有机发光二极管（OLED）凭借出色的对比度和流线型设计，已成为现代设备的标准配置。虽然最初是昂贵的奢侈品，但随着技术进步，OLED逐渐变得更加经济实惠。如今，名古屋大学变革性生物分子研究所（WPI-ITbM）和九州大学高等研究院的研究人员将量子化学与机器学习相结合，为蓝色OLED识别新材料，用于下一代超高清显示设备。他们的研究成果于2026年7月21日发表在《Angewandte Chemie International Edition》上。

蓝色像素浪费能量

虽然OLED主要由有机分子构成，但许多高效率的红色和绿色像素会掺入铱等重金属以提高效率。这类磷光发射器可实现近100%的内量子效率；然而，传统的荧光蓝色像素效率上限仅为25%。蓝色像素通常使用全有机发射器，因为蓝光需要显著更高的激发态能量。基于铱的发射器也能提高蓝色像素的效率，但高激发态能量会加速分子降解，缩短像素寿命。

下一代蓝色像素

传统荧光蓝色OLED效率有限，是因为通电时形成的激发态（即高能态）类型不同。在这些激发态中，只有25%能直接发光。因此，下一代OLED显示屏可能会在蓝色像素中采用热激活延迟荧光（TADF）分子。TADF分子是先进的有机分子，可利用环境热能，将非发光激发态转化为发光态。不过，这些TADF分子需要易于合成，并具有高色纯度和高发射效率。

人工智能与量子化学

许多先进的TADF发射器使用含硼分子框架，这类框架在合成上难度较大。为了克服这一挑战，研究人员将重点放在“无硼”13环框架上，这些框架是在特定化学约束条件下，通过五元环和六元环的组合系统枚举得到的。通过严格限制分子仅含碳、氢、氮原子，他们生成了一个包含超过19000个分子的虚拟库，这些分子满足所有化学约束条件，并结合量子化学和机器学习进行了分析。

量子化学计算能精确预测分子性质，但将其应用于大量分子时，计算成本极高。相比之下，机器学习可快速评估大量候选集，但需要训练数据。为了生成这些数据，他们从超过19000个候选分子库中随机选择了1000个分子，利用量子化学计算了与TADF相关的能量参数，构建了用于机器学习的标注数据集。

他们将训练好的模型应用于超过17000个可生成3D结构的分子，从而大幅降低了计算成本，实现了大规模筛选。在分析的超过17000个分子中，他们首先选出50个有潜力的候选分子，进行更高级的量子化学计算。在进一步权衡计算性质和合成可行性后，他们选中两个分子进行合成，并着手实验评估。

两个分子均发出鲜艳的蓝色光，且具有窄带宽（即高色纯度）。此外，它们在薄膜状态下的光致发光量子产率近乎100%（93-99%），表明发光效率极高。研究人员利用这两个分子制备了OLED器件，所得器件发出高纯度的蓝光。基于Cz-PAH-1的器件接近下一代Rec. 2020超高清显示标准定义的蓝色基色，而基于Cz-PAH-2的器件实现了高达35.2%的极高最大外量子效率。