L'elettronica organica ha il potenziale per rivoluzionare la tecnologia con la sua elevata efficienza in termini di costi e versatilità rispetto all'elettronica inorganica più comunemente usata. Per esempio, la loro flessibilità potrebbe consentire alle aziende di stamparli come carta o incorporarli nell'abbigliamento per alimentare l'elettronica indossabile. Però, non sono riusciti a ottenere molta trazione nel settore a causa della difficoltà di controllare la loro struttura elettronica.

Per aiutare ad affrontare questa sfida, Nick Jackson, un Maria Goeppert Mayer Fellow presso l'Argonne National Laboratory del Dipartimento dell'Energia degli Stati Uniti (DOE), ha sviluppato un modo più rapido per creare modelli molecolari utilizzando l'apprendimento automatico. I modelli di Jackson accelerano notevolmente lo screening di potenziali nuovi materiali organici per l'elettronica e potrebbero essere utili anche in altre aree della ricerca scientifica dei materiali.

"È un po' come una partita a Tetris, "ha detto Nick Jackson, Maria Goeppert Mayer Fellow ad Argonne.

La struttura interna di un materiale organico influisce sulla sua efficienza elettrica. Gli attuali processi di produzione utilizzati per produrre questi materiali sono sensibili, e le strutture sono estremamente complesse. Ciò rende difficile per gli scienziati prevedere la struttura finale e l'efficienza del materiale in base alle condizioni di produzione. Jackson usa l'apprendimento automatico, un modo per addestrare un computer ad apprendere uno schema senza essere esplicitamente programmato, per aiutare a fare queste previsioni.

La ricerca di Jackson si concentra sulla deposizione da vapore come mezzo per assemblare materiali per l'elettronica organica. In questo processo, gli scienziati fanno evaporare una molecola organica e le lasciano condensare lentamente su una superficie, produzione di un film. Manipolando determinate condizioni di deposizione, gli scienziati possono mettere a punto con precisione il modo in cui le molecole si impacchettano nel film.

"È un po' come una partita a Tetris, " ha detto Jackson. "Le molecole possono orientarsi in modi diversi, e la nostra ricerca mira a determinare come quella struttura influenza le proprietà elettroniche del materiale".

L'impaccamento delle molecole nel film influisce sulla mobilità della carica del materiale, una misura della facilità con cui le cariche possono muoversi al suo interno. La mobilità della carica gioca un ruolo nell'efficienza del materiale come dispositivo. Per studiare questa relazione, e per ottimizzare le prestazioni del dispositivo, Il team di Jackson esegue simulazioni al computer estremamente dettagliate del processo di deposizione da vapore.

"Abbiamo modelli che simulano il comportamento di tutti gli elettroni attorno a ciascuna molecola a lunghezze e scale temporali nanoscopiche, "ha detto Jackson, "ma questi modelli sono computazionalmente intensivi, e quindi impiega molto tempo a correre."

Per simulare l'imballaggio di interi dispositivi, spesso contenenti milioni di molecole, gli scienziati devono sviluppare computazionalmente meno costosi, modelli più grossolani che descrivono il comportamento degli elettroni in gruppi di molecole piuttosto che individualmente. Questi modelli grossolani possono ridurre il tempo di calcolo da ore a minuti, ma la sfida sta nel rendere i modelli grossolani veramente predittivi dei risultati fisici. Jackson usa i suoi algoritmi di apprendimento automatico per scoprire le relazioni tra i modelli dettagliati e grossolani.

"Lascio cadere le mani e lascio all'apprendimento automatico il compito di regredire la relazione tra la descrizione grossolana e le proprietà elettroniche risultanti del mio sistema, " ha detto Jackson.

Utilizzando una rete neurale artificiale e un processo di apprendimento chiamato backpropagation, l'algoritmo di apprendimento automatico impara a estrapolare da modelli grossolani a modelli più dettagliati. Usando la complessa relazione che trova tra i modelli, si allena a prevedere le stesse proprietà elettroniche del materiale utilizzando il modello grossolano come prevedrebbe il modello dettagliato.

"Stiamo sviluppando modelli più economici che riproducono ancora tutte le proprietà costose, " ha detto Jackson.

Il modello grossolano risultante consente agli scienziati di esaminare due o tre ordini di grandezza in più di disposizioni di imballaggio rispetto a prima. I risultati dell'analisi del modello grossolano aiutano quindi gli sperimentatori a sviluppare più rapidamente materiali ad alte prestazioni.

Poco dopo che Jackson iniziò la sua nomina sotto il professore dell'Università di Chicago e scienziato senior di Argonne, Juan de Pablo, ha avuto l'idea di accelerare la sua ricerca con l'apprendimento automatico. Ha quindi sfruttato le capacità di calcolo ad alte prestazioni del laboratorio collaborando con Venkatram Vishwanath, Team di scienze dei dati e flussi di lavoro con l'Argonne Leadership Computing Facility, una struttura per gli utenti di DOE Office of Science.

Gli scienziati dei materiali hanno già utilizzato l'apprendimento automatico per trovare relazioni tra la struttura molecolare e le prestazioni del dispositivo, ma l'approccio di Jackson è unico, poiché mira a farlo migliorando l'interazione tra modelli di diversa lunghezza e scale temporali.

"Nella comunità di fisica, i ricercatori cercano di comprendere le proprietà di un sistema da una prospettiva più grossolana e di ridurre il numero di gradi di libertà per semplificarlo il più possibile, " ha detto Jackson.

Sebbene l'obiettivo mirato di questa ricerca sia quello di schermare l'elettronica organica depositata da vapore, ha potenziali applicazioni in molti tipi di ricerca sui polimeri, e persino campi come la scienza delle proteine. "Tutto ciò in cui stai cercando di interpolare tra un modello fine e grossolano, " Ha aggiunto.

Oltre alle sue più ampie applicazioni, I progressi di Jackson aiuteranno a spingere l'elettronica organica verso la rilevanza industriale.

Un documento che descrive l'approccio di Jackson, intitolato "Struttura elettronica a risoluzioni a grana grossa da Machine Learning supervisionato, " è stato pubblicato il 22 marzo in Progressi scientifici .