A eletrônica orgânica tem o potencial de revolucionar a tecnologia com sua alta eficiência de custo e versatilidade em comparação com a eletrônica inorgânica mais comumente usada. Por exemplo, sua flexibilidade pode permitir que as empresas os imprimam como papel ou incorporem-nos a roupas para alimentar aparelhos eletrônicos vestíveis. Contudo, eles não conseguiram ganhar muita força na indústria devido à dificuldade de controlar sua estrutura eletrônica.

Para ajudar a enfrentar este desafio, Nick Jackson, uma Maria Goeppert Mayer Fellow no Laboratório Nacional de Argonne do Departamento de Energia dos EUA (DOE), desenvolveu uma maneira mais rápida de criar modelos moleculares usando aprendizado de máquina. Os modelos de Jackson aceleram drasticamente a seleção de novos materiais orgânicos em potencial para a eletrônica e também podem ser úteis em outras áreas da pesquisa da ciência dos materiais.

"É como um jogo de Tetris, "disse Nick Jackson, Maria Goeppert Mayer Fellow em Argonne.

A estrutura interna de um material orgânico afeta sua eficiência elétrica. Os processos de fabricação atuais usados ​​para produzir esses materiais são sensíveis, e as estruturas são extremamente complexas. Isso torna difícil para os cientistas prever a estrutura final e a eficiência do material com base nas condições de fabricação. Jackson usa aprendizado de máquina, uma forma de treinar um computador para aprender um padrão sem ser explicitamente programado, para ajudar a fazer essas previsões.

A pesquisa de Jackson se concentra na deposição de vapor como um meio de reunir materiais para a eletrônica orgânica. Nesse processo, os cientistas evaporam uma molécula orgânica e permitem que ela se condense lentamente em uma superfície, produzindo um filme. Ao manipular certas condições de deposição, os cientistas podem ajustar com precisão a forma como as moléculas se acumulam no filme.

"É como um jogo de Tetris, "disse Jackson." As moléculas podem se orientar de maneiras diferentes, e nossa pesquisa visa determinar como essa estrutura influencia as propriedades eletrônicas do material. "

O empacotamento das moléculas no filme afeta a mobilidade de carga do material, uma medida de quão facilmente as cargas podem se mover dentro dele. A mobilidade de carga desempenha um papel na eficiência do material como um dispositivo. Para estudar esta relação, e para otimizar o desempenho do dispositivo, A equipe de Jackson executa simulações de computador extremamente detalhadas do processo de deposição de vapor.

"Temos modelos que simulam o comportamento de todos os elétrons em torno de cada molécula em comprimento nanoscópico e escalas de tempo, "disse Jackson, "mas esses modelos são computacionalmente intensivos, e, portanto, leva muito tempo para ser executado. "

Para simular a embalagem de dispositivos inteiros, frequentemente contendo milhões de moléculas, os cientistas devem desenvolver computacionalmente mais barato, modelos mais grosseiros que descrevem o comportamento dos elétrons em grupos de moléculas em vez de individualmente. Esses modelos grosseiros podem reduzir o tempo de computação de horas para minutos, mas o desafio é tornar os modelos grosseiros realmente preditivos dos resultados físicos. Jackson usa seus algoritmos de aprendizado de máquina para descobrir as relações entre os modelos detalhados e grosseiros.

"Eu largo minhas mãos e deixo para o aprendizado de máquina regredir a relação entre a descrição grosseira e as propriedades eletrônicas resultantes do meu sistema, "Disse Jackson.

Usando uma rede neural artificial e um processo de aprendizagem chamado retropropagação, o algoritmo de aprendizado de máquina aprende a extrapolar de modelos grosseiros para modelos mais detalhados. Usando a relação complexa que encontra entre os modelos, ele se treina para prever as mesmas propriedades eletrônicas do material usando o modelo grosso que o modelo detalhado poderia prever.

“Estamos desenvolvendo modelos mais baratos que ainda reproduzem todas as propriedades caras, "disse Jackson.

O modelo grosseiro resultante permite aos cientistas examinar duas a três ordens de magnitude a mais de arranjos de embalagem do que antes. Os resultados da análise do modelo grosso, então, ajudam os experimentalistas a desenvolver materiais de alto desempenho mais rapidamente.

Pouco depois de Jackson começar sua nomeação como professor da Universidade de Chicago e cientista sênior da Argonne, Juan de Pablo, ele teve a ideia de acelerar suas pesquisas com aprendizado de máquina. Ele então aproveitou os recursos de computação de alto desempenho do laboratório, colaborando com Venkatram Vishwanath, Líder da equipe de ciências de dados e fluxos de trabalho com o Argonne Leadership Computing Facility, um DOE Office of Science User Facility.

Os cientistas de materiais já usaram o aprendizado de máquina antes para encontrar relações entre a estrutura molecular e o desempenho do dispositivo, mas a abordagem de Jackson é única, uma vez que pretende fazer isso aumentando a interação entre modelos de diferentes escalas de duração e tempo.

"Na comunidade da física, pesquisadores tentam entender as propriedades de um sistema de uma perspectiva mais grosseira e reduzir o número de graus de liberdade para simplificá-lo tanto quanto possível, "disse Jackson.

Embora o objetivo desta pesquisa seja filtrar componentes eletrônicos orgânicos com depósito de vapor, tem aplicação potencial em muitos tipos de pesquisa de polímeros, e até mesmo campos como ciência de proteínas. "Qualquer coisa em que você esteja tentando interpolar entre um modelo fino e grosso, " ele adicionou.

Além de suas aplicações mais amplas, Os avanços de Jackson ajudarão a impulsionar a eletrônica orgânica para a relevância industrial.

Um artigo que descreve a abordagem de Jackson, intitulado "Electronic Structure at Coarse-Grained Resolutions from Supervised Machine Learning, "foi publicado em 22 de março em Avanços da Ciência .