Organische elektronica heeft het potentieel om een ​​revolutie teweeg te brengen in de technologie met hun hoge kostenefficiëntie en veelzijdigheid in vergelijking met meer algemeen gebruikte anorganische elektronica. Bijvoorbeeld, hun flexibiliteit zou bedrijven in staat kunnen stellen om ze als papier af te drukken of ze in kleding op te nemen om draagbare elektronica van stroom te voorzien. Echter, ze hebben niet veel tractie in de industrie gekregen vanwege de moeilijkheid om hun elektronische structuur te beheersen.

Om deze uitdaging aan te gaan, Nick Jackson, een Maria Goeppert Mayer Fellow bij het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE), heeft een snellere manier ontwikkeld om moleculaire modellen te maken met behulp van machine learning. De modellen van Jackson versnellen de screening van potentiële nieuwe organische materialen voor elektronica drastisch en kunnen ook nuttig zijn in andere gebieden van materiaalwetenschappelijk onderzoek.

"Het is een beetje als een spelletje Tetris, " zei Nick Jackson, Maria Goeppert Mayer Fellow bij Argonne.

De interne structuur van een organisch materiaal beïnvloedt de elektrische efficiëntie ervan. De huidige productieprocessen die worden gebruikt om deze materialen te produceren, zijn gevoelig, en de structuren zijn uiterst complex. Dit maakt het moeilijk voor wetenschappers om de uiteindelijke structuur en efficiëntie van het materiaal te voorspellen op basis van productieomstandigheden. Jackson gebruikt machinaal leren, een manier om een ​​computer te trainen om een ​​patroon te leren zonder expliciet geprogrammeerd te zijn, om deze voorspellingen te doen.

Jacksons onderzoek richt zich op dampafzetting als middel om materialen voor organische elektronica te assembleren. In dit proces, wetenschappers verdampen een organisch molecuul en laten het langzaam condenseren op een oppervlak, het produceren van een film. Door bepaalde depositievoorwaarden te manipuleren, de wetenschappers kunnen de manier waarop de moleculen in de film worden verpakt, nauwkeurig afstemmen.

"Het is een beetje als een spelletje Tetris, " zei Jackson. "De moleculen kunnen zich op verschillende manieren oriënteren, en ons onderzoek heeft tot doel te bepalen hoe die structuur de elektronische eigenschappen van het materiaal beïnvloedt."

De pakking van de moleculen in de film beïnvloedt de ladingsmobiliteit van het materiaal, een maatstaf voor hoe gemakkelijk ladingen erin kunnen bewegen. De ladingsmobiliteit speelt een rol in de efficiëntie van het materiaal als apparaat. Om deze relatie te bestuderen, en om de apparaatprestaties te optimaliseren, Jacksons team voert uiterst gedetailleerde computersimulaties uit van het dampafzettingsproces.

"We hebben modellen die het gedrag van alle elektronen rond elk molecuul simuleren op nanoscopische lengte- en tijdschalen, " zei Jackson, "maar deze modellen zijn rekenintensief, en daarom duurt het erg lang om te rennen."

Om de verpakking van hele apparaten te simuleren, bevatten vaak miljoenen moleculen, wetenschappers moeten computationeel goedkoper ontwikkelen, grovere modellen die het gedrag van elektronen in groepen moleculen beschrijven in plaats van individueel. Deze grove modellen kunnen de rekentijd terugbrengen van uren naar minuten, maar de uitdaging is om de grove modellen echt voorspellend te maken voor de fysieke resultaten. Jackson gebruikt zijn machine learning-algoritmen om de relaties tussen de gedetailleerde en grove modellen bloot te leggen.

"Ik laat mijn handen vallen en laat het aan machine learning over om de relatie tussen de grove beschrijving en de resulterende elektronische eigenschappen van mijn systeem te verminderen, ' zei Jackson.

Met behulp van een kunstmatig neuraal netwerk en een leerproces genaamd backpropagation, het machine learning-algoritme leert te extrapoleren van grove naar meer gedetailleerde modellen. Gebruikmakend van de complexe relatie die het tussen de modellen vindt, het traint zichzelf om dezelfde elektronische eigenschappen van het materiaal te voorspellen met behulp van het grove model als het gedetailleerde model zou voorspellen.

"We ontwikkelen goedkopere modellen die nog steeds alle dure eigenschappen reproduceren, " zei Jackson.

Het resulterende grove model stelt de wetenschappers in staat om twee tot drie orden van grootte meer verpakkingsarrangementen te screenen dan voorheen. De resultaten van de analyse van het grove model helpen experimentatoren vervolgens om sneller hoogwaardige materialen te ontwikkelen.

Kort nadat Jackson zijn aanstelling begon bij professor aan de Universiteit van Chicago en Argonne Senior Scientist Juan de Pablo, hij had het idee om zijn onderzoek te versnellen met machine learning. Vervolgens profiteerde hij van de krachtige computermogelijkheden van het laboratorium door samen te werken met Venkatram Vishwanath, Teamleider Data Sciences en Workflows bij de Argonne Leadership Computing Facility, een DOE Office of Science gebruikersfaciliteit.

Materiaalwetenschappers hebben eerder machinaal leren gebruikt om relaties te vinden tussen moleculaire structuur en apparaatprestaties, maar Jacksons benadering is uniek, omdat het dit wil doen door de interactie tussen modellen van verschillende lengte- en tijdschalen te verbeteren.

"In de natuurkundegemeenschap onderzoekers proberen de eigenschappen van een systeem vanuit een grover perspectief te begrijpen en het aantal vrijheidsgraden te verminderen om het zo veel mogelijk te vereenvoudigen, " zei Jackson.

Hoewel het doel van dit onderzoek is om op damp afgezette organische elektronica te screenen, het heeft potentiële toepassing in vele soorten polymeeronderzoek, en zelfs gebieden zoals eiwitwetenschap. "Alles waar je probeert te interpoleren tussen een fijn en grof model, " hij voegde toe.

Naast de bredere toepassingen, De vooruitgang van Jackson zal helpen om organische elektronica naar industriële relevantie te stuwen.

Een paper waarin Jackson's aanpak wordt beschreven, getiteld 'Elektronische structuur bij grofkorrelige resoluties van Supervised Machine Learning, " werd gepubliceerd op 22 maart in wetenschappelijke vooruitgang .