L'électronique organique a le potentiel de révolutionner la technologie avec sa rentabilité élevée et sa polyvalence par rapport à l'électronique inorganique plus couramment utilisée. Par exemple, leur flexibilité pourrait permettre aux entreprises de les imprimer comme du papier ou de les incorporer dans des vêtements pour alimenter des appareils électroniques portables. Cependant, ils n'ont pas réussi à gagner beaucoup de terrain dans l'industrie en raison de la difficulté de contrôler leur structure électronique.

Pour aider à relever ce défi, Nick Jackson, une boursière Maria Goeppert Mayer au Laboratoire national d'Argonne du Département de l'énergie des États-Unis (DOE), a développé un moyen plus rapide de créer des modèles moléculaires en utilisant l'apprentissage automatique. Les modèles de Jackson accélèrent considérablement le criblage de nouveaux matériaux organiques potentiels pour l'électronique et ils pourraient également être utiles dans d'autres domaines de la recherche en science des matériaux.

"C'est un peu comme un jeu de Tetris, " a déclaré Nick Jackson, Maria Goeppert Mayer Fellow à Argonne.

La structure interne d'un matériau organique affecte son efficacité électrique. Les procédés de fabrication actuels utilisés pour produire ces matériaux sont sensibles, et les structures sont extrêmement complexes. Cela rend difficile pour les scientifiques de prédire la structure finale et l'efficacité du matériau en fonction des conditions de fabrication. Jackson utilise l'apprentissage automatique, un moyen d'entraîner un ordinateur à apprendre un modèle sans être explicitement programmé, pour aider à faire ces prédictions.

Les recherches de Jackson se concentrent sur le dépôt en phase vapeur comme moyen d'assembler des matériaux pour l'électronique organique. Dans ce processus, les scientifiques évaporent une molécule organique et la laissent se condenser lentement sur une surface, produire un film. En manipulant certaines conditions de dépôt, les scientifiques peuvent affiner la façon dont les molécules s'emballent dans le film.

"C'est un peu comme un jeu de Tetris, " a déclaré Jackson. " Les molécules peuvent s'orienter de différentes manières, et notre recherche vise à déterminer comment cette structure influence les propriétés électroniques du matériau."

Le tassement des molécules dans le film affecte la mobilité des charges du matériau, une mesure de la facilité avec laquelle les charges peuvent se déplacer à l'intérieur. La mobilité de charge joue un rôle dans l'efficacité du matériau en tant que dispositif. Pour étudier cette relation, et pour optimiser les performances de l'appareil, L'équipe de Jackson exécute des simulations informatiques extrêmement détaillées du processus de dépôt en phase vapeur.

"Nous avons des modèles qui simulent le comportement de tous les électrons autour de chaque molécule à des échelles de longueur et de temps nanoscopiques, " dit Jackson, "mais ces modèles sont gourmands en calculs, et donc prendre beaucoup de temps à courir."

Pour simuler l'emballage d'appareils entiers, contenant souvent des millions de molécules, les scientifiques doivent développer informatiquement moins cher, des modèles plus grossiers qui décrivent le comportement des électrons en groupes de molécules plutôt qu'individuellement. Ces modèles grossiers peuvent réduire le temps de calcul de quelques heures à quelques minutes, mais le défi consiste à rendre les modèles grossiers vraiment prédictifs des résultats physiques. Jackson utilise ses algorithmes d'apprentissage automatique pour découvrir les relations entre les modèles détaillés et grossiers.

"Je laisse tomber mes mains et laisse au machine learning le soin de régresser la relation entre la description grossière et les propriétés électroniques résultantes de mon système, " a déclaré Jackson.

En utilisant un réseau de neurones artificiels et un processus d'apprentissage appelé rétropropagation, l'algorithme d'apprentissage automatique apprend à extrapoler des modèles grossiers à des modèles plus détaillés. En utilisant la relation complexe qu'il trouve entre les modèles, il s'entraîne à prédire les mêmes propriétés électroniques du matériau en utilisant le modèle grossier que le modèle détaillé le prédirait.

"Nous développons des modèles moins chers qui reproduisent toujours toutes les propriétés chères, " dit Jackson.

Le modèle grossier qui en résulte permet aux scientifiques de cribler deux à trois ordres de grandeur plus d'arrangements d'emballage qu'auparavant. Les résultats de l'analyse du modèle grossier aident ensuite les expérimentateurs à développer plus rapidement des matériaux performants.

Peu de temps après que Jackson a commencé sa nomination sous la direction du professeur de l'Université de Chicago et scientifique principal d'Argonne Juan de Pablo, il a eu l'idée d'accélérer ses recherches avec le machine learning. Il a ensuite profité des capacités de calcul haute performance du laboratoire en collaborant avec Venkatram Vishwanath, Chef d'équipe Data Sciences et Workflows avec l'Argonne Leadership Computing Facility, une installation utilisateur du DOE Office of Science.

Les scientifiques des matériaux ont déjà utilisé l'apprentissage automatique pour trouver des relations entre la structure moléculaire et les performances de l'appareil, mais l'approche de Jackson est unique, car il vise à le faire en améliorant l'interaction entre des modèles de différentes durées et échelles de temps.

« Dans la communauté des physiciens, les chercheurs essaient de comprendre les propriétés d'un système dans une perspective plus grossière et de réduire le nombre de degrés de liberté pour le simplifier au maximum, " dit Jackson.

Bien que l'objectif visé de cette recherche soit de cribler l'électronique organique déposée en phase vapeur, il a une application potentielle dans de nombreux types de recherche sur les polymères, et même des domaines tels que la science des protéines. "Tout ce où vous essayez d'interpoler entre un modèle fin et grossier, " il ajouta.

En plus de ses applications plus larges, Les progrès de Jackson aideront à propulser l'électronique organique vers une pertinence industrielle.

Un article décrivant l'approche de Jackson, intitulé « Structure électronique à des résolutions grossières à partir de l'apprentissage automatique supervisé, " a été publié le 22 mars dans Avancées scientifiques .