11 / 2026-10-30 18:30:12

物理约束AI反演长余辉材料陷阱态能级分辨与应用研究

长余辉,陷阱态,发光材料

长余辉（PersL）材料将激发能量存储于电荷陷阱并以余辉形式缓慢释放，但从测量信号中恢复陷阱能级景观仍是一个病态反演问题。传统逐峰分析赋予有限个分立能级 E_i，而物理真实是连续陷阱分布 w(E)；两种描述给出不同的辉光曲线，也对应本质不同的反演问题。本文提出 QuantaTrap 框架：以连续态密度"指纹"g(E) 表征陷阱，并要求同一 w(E) 同时解释全部测量通道——两种升温速率下的热释光（TL）辉光曲线与室温余辉衰减。对实测 TL 曲线的计算机化辉光曲线解卷积表明，不同拟合峰组（3–9 峰，FOM 9.6%–26.5%）对应显著不同的 g(E) 景观；且 SSO:Eu²⁺ 与 ZGSO:Cr³⁺ 的 10 个实测陷阱能级中 7 个落在常规 0.60–1.20 eV 基准网格之下——即可辨识性、而非模拟库上的精度，决定陷阱反演模型能否迁移。所有反演结果均在 PersLumDB 上统一评分：该本地可复现数据层含 784 条文献挖掘寿命记录、覆盖 38 种材料体系，按材料分组划分训练/测试集（留出集 R2(log τ) = 0.46），并为每条测量提供 44 维描述符。实验验证方面，H₂O₂ 驱动再充电使约 30 nm 的 ZGSO:Cr³⁺ 尖晶石纳米颗粒的约 697 nm Cr³⁺ 近红外余辉及 ZGO:Mn 的 Mn²⁺ 发射呈剂量依赖增强，实现免洗涤、原位 H₂O₂ 检测，并在微摩尔浓度范围内呈单调强度–浓度响应。陷阱分布指纹因此为 AI 辅助 PersL 材料筛选提供了可迁移、可辨识性感知的描述符。