La electrónica orgánica tiene el potencial de revolucionar la tecnología con su alta rentabilidad y versatilidad en comparación con la electrónica inorgánica de uso más común. Por ejemplo, su flexibilidad podría permitir a las empresas imprimirlos como papel o incorporarlos a la ropa para alimentar dispositivos electrónicos portátiles. Sin embargo, no han logrado ganar mucha tracción en la industria debido a la dificultad de controlar su estructura electrónica.

Para ayudar a abordar este desafío, Nick Jackson, becaria Maria Goeppert Mayer en el Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE), ha desarrollado una forma más rápida de crear modelos moleculares mediante el aprendizaje automático. Los modelos de Jackson aceleran drásticamente la selección de nuevos materiales orgánicos potenciales para la electrónica y también podrían ser útiles en otras áreas de la investigación de la ciencia de los materiales.

"Es como un juego de Tetris, "dijo Nick Jackson, Becaria Maria Goeppert Mayer en Argonne.

La estructura interna de un material orgánico afecta su eficiencia eléctrica. Los procesos de fabricación actuales utilizados para producir estos materiales son sensibles, y las estructuras son extremadamente complejas. Esto dificulta a los científicos predecir la estructura final y la eficiencia del material en función de las condiciones de fabricación. Jackson usa el aprendizaje automático, una forma de entrenar a una computadora para que aprenda un patrón sin estar programada explícitamente, para ayudar a hacer estas predicciones.

La investigación de Jackson se centra en la deposición de vapor como un medio para ensamblar materiales para la electrónica orgánica. En este proceso, Los científicos evaporan una molécula orgánica y permiten que se condense lentamente en una superficie, produciendo una película. Al manipular ciertas condiciones de deposición, los científicos pueden ajustar con precisión la forma en que las moléculas se empaquetan en la película.

"Es como un juego de Tetris, ", dijo Jackson." Las moléculas pueden orientarse de diferentes maneras, y nuestra investigación tiene como objetivo determinar cómo esa estructura influye en las propiedades electrónicas del material ".

El empaquetamiento de las moléculas en la película afecta la movilidad de la carga del material, una medida de la facilidad con que las cargas pueden moverse dentro de él. La movilidad de la carga juega un papel en la eficiencia del material como dispositivo. Para estudiar esta relación, y optimizar el rendimiento del dispositivo, El equipo de Jackson ejecuta simulaciones por computadora extremadamente detalladas del proceso de deposición de vapor.

"Tenemos modelos que simulan el comportamiento de todos los electrones alrededor de cada molécula en escalas de tiempo y longitud nanoscópica, "dijo Jackson, "pero estos modelos son computacionalmente intensivos, y, por lo tanto, tardan mucho en ejecutarse ".

Para simular el empaquetado de dispositivos completos, a menudo contiene millones de moléculas, los científicos deben desarrollar computacionalmente más barato, modelos más burdos que describen el comportamiento de los electrones en grupos de moléculas en lugar de individualmente. Estos modelos burdos pueden reducir el tiempo de cálculo de horas a minutos, pero el desafío consiste en hacer que los modelos burdos sean verdaderamente predictivos de los resultados físicos. Jackson usa sus algoritmos de aprendizaje automático para descubrir las relaciones entre los modelos detallados y burdos.

"Dejo caer mis manos y dejo que el aprendizaje automático retroceda la relación entre la descripción burda y las propiedades electrónicas resultantes de mi sistema, "Dijo Jackson.

Usando una red neuronal artificial y un proceso de aprendizaje llamado retropropagación, el algoritmo de aprendizaje automático aprende a extrapolar de modelos generales a modelos más detallados. Usando la compleja relación que encuentra entre los modelos, se entrena a sí mismo para predecir las mismas propiedades electrónicas del material utilizando el modelo aproximado que predeciría el modelo detallado.

"Estamos desarrollando modelos más baratos que aún reproducen todas las propiedades caras, "dijo Jackson.

El modelo grueso resultante permite a los científicos seleccionar de dos a tres órdenes de magnitud más arreglos de empaque que antes. Los resultados del análisis del modelo burdo ayudan a los experimentadores a desarrollar más rápidamente materiales de alto rendimiento.

Poco después de que Jackson comenzara su nombramiento con el profesor de la Universidad de Chicago y científico principal de Argonne, Juan de Pablo, tuvo la idea de acelerar su investigación con el aprendizaje automático. Luego aprovechó las capacidades informáticas de alto rendimiento del laboratorio al colaborar con Venkatram Vishwanath, Líder del equipo de Data Sciences y Workflows con Argonne Leadership Computing Facility, una instalación para usuarios de la Oficina de Ciencias del DOE.

Los científicos de materiales han utilizado el aprendizaje automático antes para encontrar relaciones entre la estructura molecular y el rendimiento del dispositivo. pero el enfoque de Jackson es único, ya que tiene como objetivo hacer esto mejorando la interacción entre modelos de diferente duración y escalas de tiempo.

"En la comunidad de la física, Los investigadores intentan comprender las propiedades de un sistema desde una perspectiva más burda y reducir el número de grados de libertad para simplificarlo tanto como sea posible. "dijo Jackson.

Aunque el objetivo de esta investigación es examinar la electrónica orgánica depositada en forma de vapor, tiene una aplicación potencial en muchos tipos de investigación de polímeros, e incluso campos como la ciencia de las proteínas. "Cualquier cosa en la que intente interpolar entre un modelo fino y burdo, "añadió.

Además de sus aplicaciones más amplias, Los avances de Jackson ayudarán a impulsar la electrónica orgánica hacia la relevancia industrial.

Un artículo que describe el enfoque de Jackson, titulado "Estructura electrónica con resoluciones generales del aprendizaje automático supervisado, "fue publicado el 22 de marzo en Avances de la ciencia .