機器學習：顯著加速有機電子新材料開發！

導讀

近日，美國能源部阿貢國家實驗室的研究員尼克·傑克遜開發出一種用機器學習更快速創造分子模型的方法。該模型不僅顯著地加速了對於潛在的新型有機電子材料的篩選，也可用於其他領域的材料科學研究。

背景

傳統的電子器件基本上都是無機的，由導電金屬和半導體硅製成。雖然無機電子器件已經得到了廣泛的商用，但仍存在著僵硬、易碎、成本高、工藝複雜、生物相容性差等諸多弊端，而且硅基半導體的製造工藝也正逼近物理極。

值得慶幸的是，有機電子器件為我們克服傳統無機電子器件的弊端帶來了新希望。簡單說，有機電子器件，就是由有機材料製成的電子器件。

下圖從左到右：柔性太陽能電池（由Epishine AB提供）、電子紙、壓電織物

（圖片來源：Johan Bodell/查爾姆斯理工大學）

有機電子是一項頗具前景的革命性技術。有機電子器件不僅具有良好的柔韌性與透明性，而且超薄、超輕、對環境友好。這些材料可以通過簡單、環保、低成本的工藝進行加工，例如製作成溶液後大面積列印，就像印刷報紙一般。如今，有一些有機電子器件已經開始走向成熟商用，其中OLED就是一個典型的例子。

與織物融合在一起的OLED技術（圖片來源：KAIST）

可是，其他大部分的有機電子器件並沒有形成大規模的工業應用，主要原因之一就是它們的電子結構難以控制。

創新

為了應對上述挑戰，美國能源部阿貢國家實驗室的研究員尼克·傑克遜（Nick Jackson）開發出一種用機器學習更快速創造分子模型的方法。傑克遜的模型不僅顯著地加速了對於潛在的新型有機電子材料的篩選，也可用於其他領域的材料科學研究。

這項研究中採用的ANN-ECG法的示意圖（圖片來源：阿貢國家實驗室）

技術

有機材料的內部結構影響著其電氣效率。目前，用於製造這些材料的工藝非常敏感，且結構也極度複雜。這使得科學家們難以基於生產條件，預測出材料的最終結構和效率。傑克遜採用機器學習來進行這些預測。機器學習，是一種不用顯式程序化，去訓練計算機去學習模式的方法。

（圖片來源：美國西北大學）

傑克遜的研究專註用氣相澱積作為一種集成有機電子材料的方法。在這項工藝中，科學家們蒸發一個有機分子，讓它在表面上緩慢凝結並生成薄膜。通過操控特定的沉積條件，科學家們可以精細地調整分子在薄膜中堆積的方式。

傑克遜表示：「這有點像俄羅斯方塊的遊戲。分子可以朝向不同的方向，而我們的研究目標是判斷那個結構是如何影響到材料的電子特性。」

薄膜中分子的堆積方式影響了材料的電荷遷移率。電荷遷移率是對於電荷在材料內部的運動狀況的一種測量。對於一個器件來說，電荷遷移率關係到材料的效率。為了研究這個關係，並進一步優化器件性能，傑克遜的團隊對於氣相沉積工藝進行了極度詳細的計算機模擬。

傑克遜表示：「我們的模型在納米長度和時間尺度上，模擬了每個分子附近所有電子的行為。但這些模型是計算密集型的，因此需要花費很長的運行時間。」

為了模擬整個器件中幾百萬個分子的堆積，科學家們必須開發更便宜、更粗略的計算模型，來描述分子組中的電子行為，而不是單個分子中的電子行為。這些粗略的模型能將計算時間從幾小時縮短至幾分鐘，然而挑戰就在於製造這種能真正預測物理結果的粗略模型。傑克遜採用了機器學習演算法來揭示詳細模型和粗略模型之間的關係。

傑克遜表示：「我放手不管，讓機器學習來回歸我們系統的粗略描述與生成的電子特性之間的關係。」

通過人工神經網路和所謂的「反向傳播」學習過程，機器學習演算法學習到了從粗略模型推演到詳細模型。演算法採用它自己找到的模型之間的複雜關係，像詳細模型預測的那樣，採用粗略模型訓練自己去預測材料相同的電子特性。

傑克遜表示：「我們正在開發更便宜的模型，它仍然可以再現所有這些昂貴的特性。」

科學家們生成的粗略模型比之前的模型，篩選的堆積組合要多兩到三個量級。從粗略模型分析出的結果，能幫助實驗主義者更加快速地開發高性能的材料。

材料科學家們之前使用過機器學習來尋找分子結構與器件性能之間的關係。但是，傑克遜的方案很獨特，它的目標是改善不同長度和時間尺度的模型之間的互動。

傑克遜表示：「在物理學界，研究人員們嘗試通過一個粗略的觀點理解一個系統的性能，並減少自由度的個數，從而儘可能地簡化它。」

價值

儘管這項研究鎖定的目標是篩選氣相沉積的有機電子器件，但是它有望應用於許多種的聚合物研究，甚至是諸如蛋白質科學之類的領域。

除了擁有更廣泛的應用，傑克遜的研究進展也將幫助推動有機電子器件朝著與產業關聯的方向發展。

關鍵字

機器學習、有機電子、材料

參考資料

【1】https://www.anl.gov/article/scaling-forward

【2】Nicholas E. Jackson, Alec S. Bowen, Lucas W. Antony, Michael A. Webb, Venkatram Vishwanath and Juan J. De Pablo. Electronic Structure at Coarse-Grained Resolutions from Supervised Machine Learning. Science Advances, 2019 DOI: 10.1126/sciadv.aav1190

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！