Forschung -

Maschinelles Lernen hilft schneller zu flexibler Elektronik

Mit der organischen Elektronik könnten Unternehmen Elektronik wie Papier drucken oder in Kleidung integrieren, um tragbare Elektronik zu realisieren - wenn es nur bessere Möglichkeiten gäbe, ihre elektronische Struktur festzulegen.

Um dieser Herausforderung zu begegnen, entwickelte Nick Jackson, Postdoc am 'Institute for Molecular Engineering' der 'University of Chicago', ein schnelleres Verfahren, molekulare Modelle durch maschinelles Lernen zu erstellen.

Die Modelle beschleunigen das Screening potenzieller neuer organischer Materialien für die Elektronik dramatisch und könnten auch in anderen Bereichen der materialwissenschaftlichen Forschung nützlich sein.

Viele glauben, dass die organische Elektronik das Potenzial hat, die Technologie mit ihrer hohen Kosteneffizienz und Vielseitigkeit zu revolutionieren, aber die derzeitigen Herstellungsverfahren zur Herstellung dieser Materialien sind empfindlich, und die internen Strukturen sind äußerst komplex. Dies erschwert es den Wissenschaftlern, die endgültige Struktur und Effizienz des Materials anhand der Herstellungsbedingungen vorherzusagen.

Kurz, nachdem Jackson seine Ernennung unter Juan de Pablo, dem Professor für Molekulartechnik an der University of Chicago, begann, hatte er die Idee, solche Probleme mit dem maschinellen Lernen anzugehen.

Er verwendet diese Technik - eine Art, einen Computer zu trainieren, um ein Muster zu lernen, ohne explizit programmiert zu werden - um Vorhersagen darüber zu treffen, wie sich Moleküle zusammensetzen werden.

Viele Materialien für die organische Elektronik werden mithilfe der Dampfabscheidung hergestellt. In diesem Prozess verdunsten die Wissenschaftler ein organisches Molekül und lassen es dann langsam auf einer Oberfläche kondensieren, wodurch ein Film entsteht.

Durch die Manipulation bestimmter Depositionsbedingungen können die Wissenschaftler die Art und Weise, wie sich die Moleküle im Film arrangieren, sehr genau abstimmen.

"Es ist eine Art Tetris-Spiel", sagte Jackson, der Fellow am 'Argonne National Laboratory' ist. "Die Moleküle können sich auf verschiedene Weise selbst orientieren. Und unsere Forschung will herausfinden, wie diese Struktur die elektronischen Eigenschaften des Materials beeinflusst."

Die Anordnung der Moleküle in der Folie beeinflusst die Ladungsbeweglichkeit des Materials, ein Maß dafür, wie leicht sich Ladungen in ihm bewegen können.

Die Ladungsmobilität spielt eine Rolle bei der Effizienz des Materials als Element. Um den Prozess zu optimieren, führte das Team in Zusammenarbeit mit dem Wissenschaftler Venkatram Vishwanath von der 'Argonne Leadership Computing Facility' äußerst detaillierte Computersimulationen des Dampfabscheidungsprozesses durch.

"Wir haben Modelle, die das Verhalten aller Elektronen um jedes Molekül herum in nanoskopischer Längen- und Zeitskala simulieren", sagte Jackson, "aber diese Modelle sind rechenintensiv und brauchen daher sehr lange."

Um ganze Elemente zu simulieren, die oft Millionen von Molekülen enthalten, müssen Wissenschaftler "gröbere" Modelle entwickeln. Eine Möglichkeit, eine Berechnung weniger rechenintensiv zu gestalten, besteht darin, die Detailliertheit der Simulation zurückzuziehen - in diesem Fall durch die Modellierung von Elektronen in Gruppen von Molekülen statt individuell.

Diese groben Modelle können die Rechenzeit von Stunden auf Minuten reduzieren; die Herausforderung besteht jedoch darin, sicherzustellen, dass die groben Modelle die physikalischen Ergebnisse wirklich vorhersagen können.

Hier setzt das maschinelle Lernen an. Unter Verwendung eines künstlichen neuronalen Netzes lernt der maschinelle Lernalgorithmus, von groben auf detailliertere Modelle zu extrapolieren - und trainiert sich selbst, um mit dem groben Modell zum gleichen Ergebnis zu kommen wie mit dem detaillierten Modell.

Das resultierende grobe Modell ermöglicht es den Wissenschaftlern, weitaus mehr Anordnungen als bisher zu untersuchen - bis zu zwei bis drei Größenordnungen mehr. Ausgerüstet mit diesen Vorhersagen können Experimentatoren diese dann im Labor testen und schneller neue Materialien entwickeln.

Materialwissenschaftler haben das maschinelle Lernen bereits früher genutzt, um Zusammenhänge zwischen Molekularstruktur und Elementperformance zu finden, aber Jacksons Ansatz ist einzigartig, da er darauf abzielt, dies zu tun, indem er die Interaktion zwischen Modellen unterschiedlicher Länge und Zeitskalen verbessert.

Obwohl das Ziel dieser Forschung darin besteht, die aufgedampfte organische Elektronik zu screenen, hat sie potenzielle Anwendungen in vielen Arten der Polymerforschung und sogar in Bereichen wie der Proteinforschung. "Alles, wo man versucht, zwischen einem feinen und einem groben Modell zu interpolieren", fügte Jackson hinzu.

Schrifttum: “Electronic Structure at Coarse-Grained Resolutions from Supervised Machine Learning.” Jackson et al, Science Advances, March 22, 2019. Doi: 10.1126/sciadv.aav1190

Weitere Beiträge zum Thema Forschung Alle Artikel des Ressorts
© elektronikinformationen.de 2019 - Alle Rechte vorbehalten