机器学习：显著加速有机电子新材料开发！

近日，美国能源部阿贡国家实验室的研究员尼克·杰克逊开发出一种用机器学习更快速创造分子模型的方法。该模型不仅显著地加速了对于潜在的新型有机电子材料的筛选，也可用于其他领域的材料科学研究。

背景

传统的电子器件基本上都是无机的，由导电金属和半导体硅制成。虽然无机电子器件已经得到了广泛的商用，但仍存在着僵硬、易碎、成本高、工艺复杂、生物相容性差等诸多弊端，而且硅基半导体的制造工艺也正逼近物理极。

值得庆幸的是，有机电子器件为我们克服传统无机电子器件的弊端带来了新希望。简单说，有机电子器件，就是由有机材料制成的电子器件。

下图从左到右：柔性太阳能电池（由Epishine AB提供）、电子纸、压电织物

（图片来源：Johan Bodell/查尔姆斯理工大学）

有机电子是一项颇具前景的革命性技术。有机电子器件不仅具有良好的柔韧性与透明性，而且超薄、超轻、对环境友好。这些材料可以通过简单、环保、低成本的工艺进行加工，例如制作成溶液后大面积打印，就像印刷报纸一般。如今，有一些有机电子器件已经开始走向成熟商用，其中OLED就是一个典型的例子。

与织物融合在一起的OLED技术（图片来源：KAIST）

可是，其他大部分的有机电子器件并没有形成大规模的工业应用，主要原因之一就是它们的电子结构难以控制。

创新

为了应对上述挑战，美国能源部阿贡国家实验室的研究员尼克·杰克逊（Nick Jackson）开发出一种用机器学习更快速创造分子模型的方法。杰克逊的模型不仅显著地加速了对于潜在的新型有机电子材料的筛选，也可用于其他领域的材料科学研究。

这项研究中采用的ANN-ECG法的示意图（图片来源：阿贡国家实验室）

技术

有机材料的内部结构影响着其电气效率。目前，用于制造这些材料的工艺非常敏感，且结构也极度复杂。这使得科学家们难以基于生产条件，预测出材料的最终结构和效率。杰克逊采用机器学习来进行这些预测。机器学习，是一种不用显式程序化，去训练计算机去学习模式的方法。

（图片来源：美国西北大学）

杰克逊的研究专注用气相淀积作为一种集成有机电子材料的方法。在这项工艺中，科学家们蒸发一个有机分子，让它在表面上缓慢凝结并生成薄膜。通过操控特定的沉积条件，科学家们可以精细地调整分子在薄膜中堆积的方式。

杰克逊表示：“这有点像俄罗斯方块的游戏。分子可以朝向不同的方向，而我们的研究目标是判断那个结构是如何影响到材料的电子特性。”

薄膜中分子的堆积方式影响了材料的电荷迁移率。电荷迁移率是对于电荷在材料内部的运动状况的一种测量。对于一个器件来说，电荷迁移率关系到材料的效率。为了研究这个关系，并进一步优化器件性能，杰克逊的团队对于气相沉积工艺进行了极度详细的计算机仿真。

杰克逊表示：“我们的模型在纳米长度和时间尺度上，模拟了每个分子附近所有电子的行为。但这些模型是计算密集型的，因此需要花费很长的运行时间。”

为了模拟整个器件中几百万个分子的堆积，科学家们必须开发更便宜、更粗略的计算模型，来描述分子组中的电子行为，而不是单个分子中的电子行为。这些粗略的模型能将计算时间从几小时缩短至几分钟，然而挑战就在于制造这种能真正预测物理结果的粗略模型。杰克逊采用了机器学习算法来揭示详细模型和粗略模型之间的关系。

杰克逊表示：“我放手不管，让机器学习来回归我们系统的粗略描述与生成的电子特性之间的关系。”

通过人工神经网络和所谓的“反向传播”学习过程，机器学习算法学习到了从粗略模型推演到详细模型。算法采用它自己找到的模型之间的复杂关系，像详细模型预测的那样，采用粗略模型训练自己去预测材料相同的电子特性。

杰克逊表示：“我们正在开发更便宜的模型，它仍然可以再现所有这些昂贵的特性。”

科学家们生成的粗略模型比之前的模型，筛选的堆积组合要多两到三个量级。从粗略模型分析出的结果，能帮助实验主义者更加快速地开发高性能的材料。

材料科学家们之前使用过机器学习来寻找分子结构与器件性能之间的关系。但是，杰克逊的方案很独特，它的目标是改善不同长度和时间尺度的模型之间的互动。

杰克逊表示：“在物理学界，研究人员们尝试通过一个粗略的观点理解一个系统的性能，并减少自由度的个数，从而尽可能地简化它。”

价值

尽管这项研究锁定的目标是筛选气相沉积的有机电子器件，但是它有望应用于许多种的聚合物研究，甚至是诸如蛋白质科学之类的领域。

除了拥有更广泛的应用，杰克逊的研究进展也将帮助推动有机电子器件朝着与产业关联的方向发展。

关键字

机器学习、有机电子、材料

参考资料

【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