1.一种TADF发光分子发光性能的高通量预测方法，其特征在于，包括步骤：

S1：从有机分子化学数据库中筛选出分子给体、分子受体以及分子连接体，其中，所述分子给体、分子受体满足预设光电性能条件；

S2：按照BRICS逆向合成规则，根据分子给体-分子连接体-分子受体的合成方式对每个分子给体、分子受体以及分子连接体进行虚拟合成，得到TADF发光分子；

S3：选择预定数量的TADF发光分子作为样本分子，对所述样本分子进行DFT或TDDFT计算，得到每一样本分子的单重态-三重态激发能间隙ΔEST和跃迁振动强度f，作为每一样本分子的发光性能指标；

S4：将样本分子的分子结构转换成ECFP分子指纹，使用基于深度神经网络的回归模型对样本分子的ECFP分子指纹和发光性能指标进行训练，并使用训练好的回归模型对所有TADF发光分子的发光性能指标进行预测；

S5：从所有TADF发光分子中选择发光性能指标大于预设发光性能阀值的TADF发光分子作为实验合成对象。

2.根据权利要求1所述的高通量预测方法，其特征在于，所述预设光电性能条件为EHOMO>-6.5eV和ELUMO<-1.0eV，EHOMO表示最高占据分子轨道能量，ELUMO表示最低未占分子轨道能量。

3.根据权利要求2所述的高通量预测方法，其特征在于，所述预设发光性能阀值为f>

0.1和ΔEST<0.15eV或者f>0.05和ΔEST<0.175eV。

4.根据权利要求3所述的高通量预测方法，其特征在于，所述预定数量为所有TADF发光分子数量的千分之一或百分之一。

5.根据权利要求1所述的高通量预测方法，其特征在于，所述深度神经网络为全连接深度神经网络。

6.根据权利要求5所述的高通量预测方法，其特征在于，所述深度神经网络的结构为四层，第一层为输入层x，共有1024个神经元，与分子特征数量相同；第二层为第一隐藏层h1，共有512个神经元，每个神经元与输入层全连接，由输入层经过非线性变换h1＝Relu(w1x+b1)得到，其中，Relu为线性整流激活函数，w1为连接系数，b1为偏置，x为输入层；第三层为第二隐藏层h2，共有256个神经元，每个神经元与第一隐藏层h1全连接，由第一隐藏层h1经过非线性变换h2＝Relu(w2h1+b2)得到，其中，w2为连接系数，b2为偏置；第四层为输出层P，共有1个神经元，该神经元与第二隐藏层h2全连接，由第二隐藏层h2经过线性变换P＝w3h2+b3得到，其中，w3为连接系数，b3为偏置，输出层P的输出为发光性能指标。