Молекулярное моделирование может ускорить разработку новых органических материалов для электроники

Как сообщает издание Nanowerk News, (со ссылкой на публикацию Science Advances , «Электронная структура в грубых разрешениях от контролируемого машинного обучения»).
подход аргоннского ученого к молекулярному моделированию может ускорить разработку новых органических материалов для электроники

Органическая электроника может революционизировать технологии благодаря своей высокой экономической эффективности и универсальности по сравнению с более широко используемой неорганической электроникой. Например, их гибкость может позволить компаниям печатать их как бумагу или включать их в одежду для питания носимой электроники. Тем не менее, они не смогли получить широкое распространение в отрасли из-за сложности контроля их электронной структуры.

Чтобы помочь в решении этой проблемы, Ник Джексон, научный сотрудник Марии Гопперт Майер из Аргоннской национальной лаборатории Министерства энергетики США, разработал более быстрый способ создания молекулярных моделей с помощью машинного обучения. Модели Джексона значительно ускоряют проверку потенциальных новых органических материалов для электроники, и они также могут быть полезны в других областях материаловедения.

Схема метода ANN-ЭКГ

Схема метода молекулярного моделирования ANN-ECG
Схема метода ANN-ECG, использованного в данной работе. Схематический пример демонстрирует грубую молекулярную модель с тремя гранулами / мономером для макси (3-метил) тиофена.

Внутренняя структура органического материала влияет на его электрическую эффективность. Текущие производственные процессы, используемые для производства этих материалов, чувствительны, а структуры чрезвычайно сложны. Это затрудняет ученым прогнозировать окончательную структуру и эффективность материала на основе условий производства. Джексон использует машинное обучение, способ обучения компьютера, чтобы выучить шаблон без явного программирования и помочь сделать эти прогнозы.

Исследования Джексона направлены на осаждение паров как средство для сборки материалов для органической электроники. В этом процессе ученые испаряют органическую молекулу и позволяют ей медленно конденсироваться на поверхности, образуя пленку. Управляя определенными условиями осаждения, ученые могут точно настроить способ упаковки молекул в пленку.

«Это похоже на игру в тетрис», – сказал Джексон. «Молекулы могут ориентироваться по-разному, и наше исследование направлено на то, чтобы определить, как эта структура влияет на электронные свойства материала».

Упаковка молекул в пленке влияет на подвижность заряда материала, мера того, насколько легко заряды могут перемещаться внутри него. Подвижность заряда играет роль в эффективности материала как устройства. Чтобы изучить эту взаимосвязь и оптимизировать производительность устройства, команда Джексона проводит чрезвычайно подробное компьютерное моделирование процесса осаждения из паровой фазы.

«У нас есть модели, которые имитируют поведение всех электронов вокруг каждой молекулы в наноскопических масштабах длины и времени, – сказал Джексон, – но эти модели требуют больших вычислительных ресурсов и поэтому для их запуска требуется очень много времени».

Чтобы смоделировать упаковку целых устройств, часто содержащих миллионы молекул, ученые должны разработать в вычислительном отношении более дешевые, более грубые модели, которые описывают поведение электронов в группах молекул, а не по отдельности. Эти грубые модели могут сократить время вычислений с часов до минут, но задача состоит в том, чтобы сделать грубые модели действительно предсказывающими физические результаты. Джексон использует свои алгоритмы машинного обучения, чтобы раскрыть взаимосвязь между подробной и грубой моделями.

«Я опускаю руки и оставляю это машинному обучению, чтобы восстановить связь между грубым описанием и получающимися электронными свойствами моей системы», – сказал Джексон.

Используя искусственную нейронную сеть и процесс обучения, называемый обратным распространением, алгоритм машинного обучения учится экстраполировать от грубых к более детальным моделям. Используя сложную взаимосвязь, которую он обнаруживает между моделями, он обучается предсказывать те же электронные свойства материала, используя грубую модель, которую предсказывает детальная модель.

«Мы разрабатываем более дешевые модели, которые по-прежнему воспроизводят все дорогие свойства», – сказал Джексон.

Получившаяся грубая модель позволяет ученым отследить на два-три порядка больше упаковок, чем раньше. Результаты анализа грубой модели помогают экспериментаторам быстрее разрабатывать высокопроизводительные материалы.

Вскоре после того, как Джексон начал свою деятельность под руководством профессора Чикагского университета и старшего ученого Аргонна Хуана де Пабло, у него появилась идея ускорить свои исследования с помощью машинного обучения. Затем он воспользовался возможностями высокопроизводительных вычислений лаборатории, сотрудничая с Venkatram Vishwanath, руководителем группы по наукам о данных и рабочим процессам, с Argonne Leadership Computing Facility, Министерством науки и науки Министерства энергетики США.

Ученые в области материаловедения использовали машинное обучение прежде, чтобы найти взаимосвязи между молекулярной структурой и характеристиками устройства, но подход Джексона уникален, поскольку он направлен на то, чтобы улучшить взаимодействие между моделями различной длины и временного масштаба.

«В физическом сообществе исследователи пытаются понять свойства системы с более грубой точки зрения и уменьшить количество степеней свободы, чтобы максимально упростить ее», – сказал Джексон.

Хотя основная цель этого исследования состоит в том, чтобы исследовать органическую электронику, осажденную из паров, она имеет потенциальное применение во многих видах исследований полимеров и даже в таких областях, как белковая наука. «Все, что вы пытаетесь интерполировать между тонкой и грубой моделями», – добавил он.

В дополнение к более широким приложениям, достижения Джексона помогут продвинуть органическую электронику к промышленной значимости.