El enfoque de los científicos de Argonne para el modelado molecular puede acelerar el desarrollo de nuevos materiales orgánicos para la electrónica.
La electrónica orgánica tiene el potencial de revolucionar la tecnología con su alta rentabilidad y versatilidad en comparación con la electrónica inorgánica más utilizada. Por ejemplo, su flexibilidad podría permitir a las empresas imprimirlos como papel o incorporarlos en la ropa para alimentar los dispositivos electrónicos portátiles., no han logrado ganar mucha tracción en la industria debido a la dificultad de controlar su estructura electrónica.
Para ayudar a abordar este desafío, Nick Jackson, miembro de Maria Goeppert Mayer en el Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. DOE, ha desarrollado una forma más rápida de crear modelos moleculares mediante el aprendizaje automático. Los modelos de Jackson aceleran drásticamente la detección depotenciales nuevos materiales orgánicos para la electrónica y también podrían ser útiles en otras áreas de investigación de la ciencia de los materiales.
La estructura interna de un material orgánico afecta su eficiencia eléctrica. Los procesos de fabricación actuales utilizados para producir estos materiales son sensibles y las estructuras son extremadamente complejas. Esto dificulta que los científicos puedan predecir la estructura final y la eficiencia del material basadoen condiciones de fabricación. Jackson utiliza el aprendizaje automático, una forma de entrenar una computadora para aprender un patrón sin ser programado explícitamente, para ayudar a hacer estas predicciones.
La investigación de Jackson se centra en la deposición de vapor como un medio para ensamblar materiales para la electrónica orgánica. En este proceso, los científicos evaporan una molécula orgánica y permiten que se condense lentamente en una superficie, produciendo una película. Al manipular ciertas condiciones de deposición, los científicos puedensintonizar finamente la forma en que las moléculas se empaquetan en la película
"Es como un juego de Tetris", dijo Jackson. "Las moléculas pueden orientarse de diferentes maneras, y nuestra investigación apunta a determinar cómo esa estructura influye en las propiedades electrónicas del material".
El empaquetamiento de las moléculas en la película afecta la movilidad de carga del material, una medida de la facilidad con que las cargas pueden moverse dentro de él. La movilidad de carga juega un papel en la eficiencia del material como dispositivo. Para estudiar esta relación yPara optimizar el rendimiento del dispositivo, el equipo de Jackson ejecuta simulaciones por computadora extremadamente detalladas del proceso de deposición de vapor.
"Tenemos modelos que simulan el comportamiento de todos los electrones alrededor de cada molécula en escalas de longitud y tiempo nanoscópicas", dijo Jackson, "pero estos modelos son computacionalmente intensivos y, por lo tanto, tardan mucho tiempo en ejecutarse".
Para simular el empaquetamiento de dispositivos completos, que a menudo contienen millones de moléculas, los científicos deben desarrollar modelos computacionalmente más baratos y gruesos que describan el comportamiento de los electrones en grupos de moléculas en lugar de individualmente. Estos modelos gruesos pueden reducir el tiempo de cálculo de horas a minutosPero el desafío es hacer que los modelos burdos sean realmente predictivos de los resultados físicos. Jackson usa sus algoritmos de aprendizaje automático para descubrir las relaciones entre los modelos detallados y burdos.
"Dejo caer mis manos y dejo que el aprendizaje automático retroceda la relación entre la descripción burda y las propiedades electrónicas resultantes de mi sistema", dijo Jackson.
Usando una red neuronal artificial y un proceso de aprendizaje llamado retropropagación, el algoritmo de aprendizaje automático aprende a extrapolar de modelos gruesos a modelos más detallados. Usando la compleja relación que encuentra entre los modelos, se entrena para predecir las mismas propiedades electrónicas delmaterial utilizando el modelo grueso como predeciría el modelo detallado.
"Estamos desarrollando modelos más baratos que todavía reproducen todas las propiedades caras", dijo Jackson.
El modelo grueso resultante permite a los científicos seleccionar dos o tres órdenes de magnitud más arreglos de empaque que antes. Los resultados del análisis del modelo grueso luego ayudan a los experimentadores a desarrollar más rápidamente materiales de alto rendimiento.
Poco después de que Jackson comenzara su nombramiento como profesor de la Universidad de Chicago y científico principal de Argonne, Juan de Pablo, tuvo la idea de acelerar su investigación con el aprendizaje automático. Luego aprovechó las capacidades informáticas de alto rendimiento del laboratorio al colaborar con Venkatram Vishwanath, El equipo de ciencias de datos y flujos de trabajo lidera con el Argonne Leadership Computing Facility, un DOE Office of Science User Facility.
Los científicos de materiales han utilizado el aprendizaje automático antes para encontrar relaciones entre la estructura molecular y el rendimiento del dispositivo, pero el enfoque de Jackson es único, ya que apunta a hacerlo mejorando la interacción entre modelos de diferentes escalas de longitud y tiempo.
"En la comunidad de la física, los investigadores intentan comprender las propiedades de un sistema desde una perspectiva más amplia y reducir el número de grados de libertad para simplificarlo lo más posible", dijo Jackson.
Aunque el objetivo de esta investigación es detectar la electrónica orgánica depositada por vapor, tiene una aplicación potencial en muchos tipos de investigación de polímeros e incluso en campos como la ciencia de las proteínas ". Cualquier cosa en la que intente interpolar entre un modelo fino y grueso", agregó.
Además de sus aplicaciones más amplias, los avances de Jackson ayudarán a impulsar la electrónica orgánica hacia la relevancia industrial.
Fuente de la historia :
Materiales proporcionado por DOE / Laboratorio Nacional de Argonne . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :