Hành trình Khoa học, Không gian và Thời gian!
Một nhà khoa học có những cách mới để tăng tốc phát triển vật liệu hữu cơ mới cho thiết bị điện tử. Các phương pháp mới có thể có ứng dụng trong các loại nghiên cứu khoa học vật liệu khác.
Điện tử hữu cơ có tiềm năng cách mạng hóa công nghệ với hiệu quả chi phí cao và tính linh hoạt so với các thiết bị điện tử vô cơ thường được sử dụng. Ví dụ, tính linh hoạt của chúng có thể cho phép các công ty in chúng như giấy hoặc kết hợp chúng vào quần áo để cung cấp năng lượng cho các thiết bị điện tử có thể đeo được. Tuy nhiên, họ đã không đạt được nhiều lực kéo trong ngành do khó kiểm soát cấu trúc điện tử của họ.
Để giúp giải quyết thách thức này, Nick Jackson, thành viên Maria Goeppert Mayer tại Phòng thí nghiệm quốc gia Argonne của Bộ Năng lượng Hoa Kỳ (DOE), đã phát triển một cách nhanh hơn để tạo ra các mô hình phân tử bằng cách sử dụng máy học. Các mô hình của Jackson tăng tốc đáng kể việc sàng lọc các vật liệu hữu cơ mới tiềm năng cho thiết bị điện tử và chúng cũng có thể hữu ích trong các lĩnh vực nghiên cứu khoa học vật liệu khác.
Cấu trúc bên trong của một vật liệu hữu cơ ảnh hưởng đến hiệu quả điện của nó. Các quy trình sản xuất hiện tại được sử dụng để sản xuất các vật liệu này rất nhạy cảm và các cấu trúc cực kỳ phức tạp. Điều này khiến các nhà khoa học khó dự đoán cấu trúc và hiệu quả cuối cùng của vật liệu dựa trên các điều kiện sản xuất. Jackson sử dụng học máy, một cách đào tạo máy tính để học một mô hình mà không được lập trình rõ ràng, để giúp đưa ra những dự đoán này.
Nghiên cứu của Jackson tập trung vào lắng đọng hơi như một phương tiện để lắp ráp các vật liệu cho thiết bị điện tử hữu cơ. Trong quá trình này, các nhà khoa học làm bay hơi một phân tử hữu cơ và cho phép nó ngưng tụ từ từ trên bề mặt, tạo ra một bộ phim. Bằng cách điều khiển các điều kiện lắng đọng nhất định, các nhà khoa học có thể tinh chỉnh cách thức các phân tử đóng gói trong phim.
“Nó giống như một trò chơi của Tetris,” Jackson nói. “Các phân tử có thể tự định hướng theo những cách khác nhau và nghiên cứu của chúng tôi nhằm xác định cấu trúc đó ảnh hưởng đến các tính chất điện tử của vật liệu như thế nào.”
Việc đóng gói các phân tử trong màng ảnh hưởng đến độ linh động điện tích của vật liệu, thước đo mức độ dễ dàng di chuyển bên trong nó. Tính di động điện tích đóng một vai trò trong hiệu quả của vật liệu như một thiết bị. Để nghiên cứu mối quan hệ này và để tối ưu hóa hiệu suất thiết bị, nhóm của Jackson chạy các mô phỏng máy tính cực kỳ chi tiết về quy trình lắng đọng hơi.
“Chúng tôi có các mô hình mô phỏng hành vi của tất cả các electron xung quanh mỗi phân tử ở độ dài nanô và thang đo thời gian”, Jackson nói, “nhưng các mô hình này chuyên sâu về mặt tính toán và do đó mất nhiều thời gian để chạy.”
Để mô phỏng việc đóng gói toàn bộ thiết bị, thường chứa hàng triệu phân tử, các nhà khoa học phải phát triển các mô hình thô hơn, tính toán mô tả hành vi của các electron trong các nhóm phân tử chứ không phải riêng lẻ. Các mô hình thô này có thể giảm thời gian tính toán từ vài giờ xuống vài phút, nhưng thách thức là làm cho các mô hình thô thực sự dự đoán được kết quả vật lý. Jackson sử dụng các thuật toán học máy của mình để khám phá mối quan hệ giữa các mô hình chi tiết và thô.
“Tôi buông tay và để nó vào máy học để hồi quy mối quan hệ giữa mô tả thô và các thuộc tính điện tử của hệ thống của tôi,” Jackson nói.
Sử dụng một mạng nơ ron nhân tạo và một quá trình học tập được gọi là backpropagation, thuật toán học máy học học ngoại suy từ các mô hình thô đến chi tiết hơn. Sử dụng mối quan hệ phức tạp mà nó tìm thấy giữa các mô hình, nó tự đào tạo để dự đoán các tính chất điện tử tương tự của vật liệu sử dụng mô hình thô như mô hình chi tiết sẽ dự đoán.
“Chúng tôi đang phát triển các mô hình rẻ hơn mà vẫn tái tạo tất cả các tài sản đắt tiền,” Jackson nói.
Mô hình thô kết quả cho phép các nhà khoa học sàng lọc hai đến ba đơn hàng sắp xếp đóng gói lớn hơn trước. Kết quả phân tích từ mô hình thô sau đó giúp các nhà thực nghiệm phát triển nhanh hơn các vật liệu hiệu suất cao.
Ngay sau khi Jackson bắt đầu cuộc hẹn dưới giáo sư Đại học Chicago và Nhà khoa học cao cấp Argonne Juan de Pablo, ông đã có ý tưởng đẩy nhanh nghiên cứu của mình bằng máy học. Sau đó, ông đã tận dụng khả năng tính toán hiệu năng cao của phòng thí nghiệm bằng cách hợp tác với Venkatram Vishwanath, Trưởng nhóm Khoa học dữ liệu và Nhóm công việc với Cơ sở tính toán lãnh đạo Argonne, Văn phòng người dùng khoa học DOE.
Các nhà khoa học vật liệu đã sử dụng học máy trước đây để tìm mối quan hệ giữa cấu trúc phân tử và hiệu suất thiết bị, nhưng cách tiếp cận của Jackson là duy nhất, vì nó nhằm mục đích thực hiện điều này bằng cách tăng cường sự tương tác giữa các mô hình có quy mô thời gian và thời gian khác nhau.
“Trong cộng đồng vật lý, các nhà nghiên cứu cố gắng tìm hiểu các thuộc tính của một hệ thống từ góc độ thô hơn và giảm số bậc tự do để đơn giản hóa nó càng nhiều càng tốt”, Jackson nói.
Mặc dù mục tiêu của nghiên cứu này là sàng lọc các thiết bị điện tử hữu cơ lắng đọng hơi, nhưng nó có ứng dụng tiềm năng trong nhiều loại nghiên cứu polymer, và thậm chí các lĩnh vực như khoa học protein. “Bất cứ điều gì mà bạn đang cố gắng nội suy giữa một mô hình tốt và thô,” ông nói thêm.
Ngoài các ứng dụng rộng lớn hơn, những tiến bộ của Jackson sẽ giúp thúc đẩy các thiết bị điện tử hữu cơ theo hướng phù hợp với công nghiệp.
Nguồn tin tức:
Tài liệu được cung cấp bởi Phòng thí nghiệm quốc gia DOE / Argonne . Lưu ý: Nội dung có thể được chỉnh sửa cho kiểu dáng và độ dài.
Tạp chí tham khảo :