Organisk elektronik har potential att revolutionera tekniken med sin höga kostnadseffektivitet och mångsidighet jämfört med mer vanligt förekommande oorganisk elektronik. Till exempel, deras flexibilitet skulle kunna göra det möjligt för företag att trycka dem som papper eller infoga dem i kläder för att driva bärbar elektronik. Dock, de har misslyckats med att få mycket branschdragkraft på grund av svårigheten att kontrollera sin elektroniska struktur.

För att hjälpa till att möta denna utmaning, Nick Jackson, en Maria Goeppert Mayer Fellow vid U.S. Department of Energy's (DOE) Argonne National Laboratory, har utvecklat ett snabbare sätt att skapa molekylära modeller genom att använda maskininlärning. Jacksons modeller påskyndar dramatiskt screeningen av potentiella nya organiska material för elektronik och de kan också vara användbara inom andra områden av materialvetenskaplig forskning.

"Det är ungefär som en omgång Tetris, sa Nick Jackson, Maria Goeppert Mayer Fellow vid Argonne.

Den inre strukturen hos ett organiskt material påverkar dess elektriska effektivitet. De nuvarande tillverkningsprocesserna som används för att producera dessa material är känsliga, och strukturerna är extremt komplexa. Detta gör det svårt för forskare att förutsäga materialets slutliga struktur och effektivitet baserat på tillverkningsförhållanden. Jackson använder maskininlärning, ett sätt att träna en dator att lära sig ett mönster utan att vara explicit programmerad, för att hjälpa till att göra dessa förutsägelser.

Jacksons forskning fokuserar på ångavsättning som ett sätt att montera material för organisk elektronik. I denna process, forskare avdunstar en organisk molekyl och låter den långsamt kondensera på en yta, producerar en film. Genom att manipulera vissa deponeringsförhållanden, forskarna kan finjustera hur molekylerna packas i filmen.

"Det är ungefär som en omgång Tetris, sade Jackson. "Molekylerna kan orientera sig på olika sätt, och vår forskning syftar till att fastställa hur den strukturen påverkar materialets elektroniska egenskaper."

Packningen av molekylerna i filmen påverkar materialets laddningsrörlighet, ett mått på hur lätt laddningar kan röra sig inuti den. Laddningsrörligheten spelar en roll för materialets effektivitet som enhet. För att studera detta förhållande, och för att optimera enhetens prestanda, Jacksons team kör extremt detaljerade datorsimuleringar av ångavsättningsprocessen.

"Vi har modeller som simulerar beteendet hos alla elektroner runt varje molekyl på nanoskopiska längd- och tidsskalor, sa Jackson, "men dessa modeller är beräkningsintensiva, och därför tar det väldigt lång tid att köra."

För att simulera packningen av hela enheter, innehåller ofta miljontals molekyler, forskare måste utveckla beräkningsmässigt billigare, grövre modeller som beskriver beteendet hos elektroner i grupper av molekyler snarare än individuellt. Dessa grova modeller kan minska beräkningstiden från timmar till minuter, men utmaningen ligger i att göra de grova modellerna verkligt förutsägande av de fysiska resultaten. Jackson använder sina maskininlärningsalgoritmer för att avslöja sambanden mellan de detaljerade och grova modellerna.

"Jag tappar mina händer och överlåter till maskininlärning att regressera förhållandet mellan den grova beskrivningen och de resulterande elektroniska egenskaperna hos mitt system, " sa Jackson.

Genom att använda ett artificiellt neuralt nätverk och en inlärningsprocess som kallas backpropagation, maskininlärningsalgoritmen lär sig att extrapolera från grova till mer detaljerade modeller. Med hjälp av det komplexa förhållandet som den finner mellan modellerna, den tränar sig själv att förutsäga samma elektroniska egenskaper hos materialet med hjälp av den grova modellen som den detaljerade modellen skulle förutsäga.

"Vi utvecklar billigare modeller som fortfarande återger alla dyra egenskaper, sa Jackson.

Den resulterande grova modellen tillåter forskarna att screena två till tre storleksordningar fler packningsarrangemang än tidigare. Resultaten av analysen från den grova modellen hjälper sedan experimentalister att snabbare utveckla högpresterande material.

Kort efter att Jackson började sin anställning under University of Chicago professor och Argonne seniorforskare Juan de Pablo, han hade idén att påskynda sin forskning med maskininlärning. Han drog sedan fördel av laboratoriets högpresterande beräkningsmöjligheter genom att samarbeta med Venkatram Vishwanath, Teamledare för datavetenskap och arbetsflöden med Argonne Leadership Computing Facility, en DOE Office of Science-användaranläggning.

Materialforskare har använt maskininlärning tidigare för att hitta samband mellan molekylstruktur och enhetsprestanda, men Jacksons tillvägagångssätt är unikt, eftersom det syftar till att göra detta genom att förbättra interaktionen mellan modeller av olika längd och tidsskala.

"I fysiksamhället, forskare försöker förstå egenskaperna hos ett system ur ett grövre perspektiv och minska antalet frihetsgrader för att förenkla det så mycket som möjligt, sa Jackson.

Även om det riktade målet med denna forskning är att screena ångavsatt organisk elektronik, det har potentiell tillämpning i många typer av polymerforskning, och även områden som proteinvetenskap. "Allt där du försöker interpolera mellan en fin och grov modell, " han lade till.

Förutom dess bredare tillämpningar, Jacksons framsteg kommer att hjälpa till att driva organisk elektronik mot industriell relevans.

Ett papper som beskriver Jacksons tillvägagångssätt, med titeln "Electronic Structure at Coarse-grained Resolutions from Supervised Machine Learning, " publicerades den 22 mars i Vetenskapens framsteg .