Ny tilgang til molekylær modellering kan fremskynde udviklingen af ​​nye organiske materialer til elektronik

Organisk elektronik har potentiale til at revolutionere teknologien med deres høje omkostningseffektivitet og alsidighed sammenlignet med mere almindeligt anvendt uorganisk elektronik. For eksempel, deres fleksibilitet kunne give virksomheder mulighed for at printe dem som papir eller indarbejde dem i tøj for at drive bærbar elektronik. Imidlertid, de har undladt at vinde megen industrikraft på grund af vanskelighederne med at kontrollere deres elektroniske struktur.

For at hjælpe med at løse denne udfordring, Nick Jackson, en Maria Goeppert Mayer -stipendiat ved US Department of Energy's (DOE) Argonne National Laboratory, har udviklet en hurtigere måde at skabe molekylære modeller ved at bruge maskinlæring. Jacksons modeller fremskynder dramatisk screeningen af ​​potentielle nye organiske materialer til elektronik, og de kan også være nyttige inden for andre områder inden for materialevidenskabelig forskning.

"Det er lidt som et spil Tetris, "sagde Nick Jackson, Maria Goeppert Mayer Fellow i Argonne.

Den indre struktur af et organisk materiale påvirker dets elektriske effektivitet. De nuværende fremstillingsprocesser, der bruges til fremstilling af disse materialer, er følsomme, og strukturerne er ekstremt komplekse. Dette gør det svært for forskere at forudsige materialets endelige struktur og effektivitet baseret på fremstillingsbetingelser. Jackson bruger maskinlæring, en måde at træne en computer til at lære et mønster uden at blive eksplicit programmeret, at hjælpe med at lave disse forudsigelser.

Jacksons forskning fokuserer på dampaflejring som et middel til at samle materialer til organisk elektronik. I denne proces, forskere fordamper et organisk molekyle og lader det langsomt kondensere på en overflade, producerer en film. Ved at manipulere visse aflejringsbetingelser, forskerne kan finjustere den måde, molekylerne pakker sig i filmen på.

"Det er lidt som et spil Tetris, "sagde Jackson." Molekylerne kan orientere sig på forskellige måder, og vores forskning har til formål at bestemme, hvordan denne struktur påvirker materialets elektroniske egenskaber. "

Pakningen af ​​molekylerne i filmen påvirker materialets ladningsmobilitet, et mål for, hvor let ladninger kan bevæge sig inde i den. Ladningsmobiliteten spiller en rolle for materialets effektivitet som en enhed. For at studere dette forhold, og for at optimere enhedens ydeevne, Jacksons team kører ekstremt detaljerede computersimuleringer af dampaflejringsprocessen.

"Vi har modeller, der simulerer adfærden for alle elektronerne omkring hvert molekyle i nanoskopisk længde og tidsskalaer, "sagde Jackson, "men disse modeller er beregningsmæssigt intensive, og derfor tager meget lang tid at køre. "

For at simulere pakning af hele enheder, ofte indeholder millioner af molekyler, forskere skal udvikle sig beregningsmæssigt billigere, grovere modeller, der beskriver elektroners adfærd i grupper af molekyler frem for individuelt. Disse grove modeller kan reducere beregningstiden fra timer til minutter, men udfordringen er at gøre de grove modeller virkelig forudsigelige for de fysiske resultater. Jackson bruger sine machine learning -algoritmer til at afdække forholdet mellem de detaljerede og grove modeller.

"Jeg taber mine hænder og overlader det til maskinlæring at regressere forholdet mellem den grove beskrivelse og de resulterende elektroniske egenskaber i mit system, "Sagde Jackson.

Ved hjælp af et kunstigt neuralt netværk og en læringsproces kaldet backpropagation, maskinlæringsalgoritmen lærer at ekstrapolere fra grove til mere detaljerede modeller. Ved hjælp af det komplekse forhold, det finder mellem modellerne, den træner sig selv til at forudsige de samme elektroniske egenskaber ved materialet ved hjælp af den grove model, som den detaljerede model ville forudsige.

"Vi udvikler billigere modeller, der stadig gengiver alle de dyre ejendomme, "sagde Jackson.

Den resulterende grove model giver forskerne mulighed for at screene to til tre størrelsesordener flere pakningsarrangementer end tidligere. Resultaterne af analysen fra den grove model hjælper derefter eksperimentelle med hurtigere at udvikle højtydende materialer.

Kort efter at Jackson begyndte sin ansættelse under professor ved University of Chicago og Argonne Seniorforsker Juan de Pablo, han havde ideen om at fremskynde sin forskning med maskinlæring. Derefter udnyttede han laboratoriets højtydende computerkapacitet ved at samarbejde med Venkatram Vishwanath, Data Science og Workflows Team Lead med Argonne Leadership Computing Facility, en DOE Office of Science brugerfacilitet.

Materialeforskere har tidligere brugt maskinlæring til at finde sammenhænge mellem molekylær struktur og enhedsydelse, men Jacksons tilgang er unik, som det sigter mod at gøre dette ved at forbedre interaktionen mellem modeller af forskellig længde og tidsskala.

"I det fysiske samfund, forskere forsøger at forstå egenskaberne ved et system fra et grovere perspektiv og reducere antallet af frihedsgrader for at forenkle det så meget som muligt, "sagde Jackson.

Selvom det målrettede mål med denne forskning er at screene dampudfældet organisk elektronik, det har potentiel anvendelse i mange former for polymerforskning, og endda områder som proteinvidenskab. "Alt, hvor du forsøger at interpolere mellem en fin og grov model, " han tilføjede.

Ud over de bredere applikationer, Jacksons fremskridt vil hjælpe med at drive organisk elektronik mod industriel relevans.

Et papir, der beskriver Jacksons tilgang, med titlen "Elektronisk struktur ved grovkornede opløsninger fra Supervised Machine Learning, "blev offentliggjort den 22. marts i Videnskab fremskridt .