阿贡科学家的分子模拟方法可能会加速电子新型有机材料的开发。

与更常用的无机电子产品相比，有机电子产品具有高成本效益和多功能性，有可能彻底改变技术。例如，它们的灵活性可以允许公司像纸一样将它们打印出来或者将它们整合到衣服中以为可穿戴电子设备供电。然而，由于难以控制其电子结构，它们未能获得太多的行业牵引力。

为了应对这一挑战，美国能源部(DOE)阿贡国家实验室的Maria Goeppert Mayer研究员Nick Jackson开发了一种利用机器学习创建分子模型的更快方法。杰克逊的模型大大加速了对电子新潜在有机材料的筛选，它们也可用于材料科学研究的其他领域。

有机材料的内部结构影响其电效率。目前用于生产这些材料的制造工艺是敏感的，并且结构非常复杂。这使得科学家很难根据制造条件预测材料的最终结构和效率。杰克逊使用机器学习，一种训练计算机来学习模式而无需明确编程的方法，以帮助做出这些预测。

杰克逊的研究重点是气相沉积作为组装有机电子材料的手段。在这个过程中，科学家们蒸发了一种有机分子，使其在表面上缓慢凝结，从而产生一种薄膜。通过操纵某些沉积条件，科学家们可以精细调整分子在胶片中的包装方式。

“这有点像俄罗斯方块游戏，”杰克逊说。“分子可以以不同的方式定位自己，我们的研究旨在确定这种结构如何影响材料的电子特性。”

薄膜中分子的堆积会影响材料的电荷迁移率，衡量电荷在其内部移动的容易程度。电荷迁移率在作为器件的材料的效率中起作用。为了研究这种关系，并优化设备性能，杰克逊的团队对气相沉积过程进行了非常详细的计算机模拟。

“我们的模型模拟了纳米级长度和时间尺度下每个分子周围所有电子的行为，”杰克逊说，“但这些模型计算密集，因此需要很长时间才能运行。”

为了模拟整个设备的包装，通常包含数百万个分子，科学家必须开发出计算更便宜，更粗糙的模型，这些模型描述了分子组中电子的行为，而不是单独的。这些粗略模型可以将计算时间从几小时缩短到几分钟，但挑战在于使粗糙模型真正预测物理结果。杰克逊使用他的机器学习算法来揭示详细和粗略模型之间的关系。

杰克逊说：“我放下手，把它留给机器学习，以消除粗略描述与我系统产生的电子特性之间的关系。”

使用人工神经网络和称为反向传播的学习过程，机器学习算法学习从粗略模型推断到更详细的模型。利用它在模型之间找到的复杂关系，它训练自己使用粗略模型预测材料的相同电子属性，如详细模型所预测的那样。

“我们正在开发更便宜的型号，仍能重现所有昂贵的物业，”杰克逊说。

由此产生的粗糙模型允许科学家比以前筛选两到三个数量级的包装安排。粗糙模型的分析结果可以帮助实验者更快地开发出高性能材料。

杰克逊在芝加哥大学教授和阿贡高级科学家Juan de Pablo的任命之后不久，他就有了加速机器学习研究的想法。然后，他与Venkatram Vishwanath，数据科学和工作流程团队负责人与美国能源部科学用户设施办公室Argonne领导计算机构合作，充分利用了该实验室的高性能计算能力。

材料科学家之前使用机器学习来找到分子结构和器件性能之间的关系，但Jackson的方法是独特的，因为它旨在通过增强不同长度和时间尺度的模型之间的相互作用来实现这一点。

“在物理学界，研究人员试图从更粗略的角度理解系统的属性，并尽可能减少自由度，以尽可能简化它，”杰克逊说。

虽然这项研究的目标是筛选气相沉积的有机电子学，但它在许多种聚合物研究，甚至蛋白质科学等领域都有潜在的应用。“你试图在精细和粗糙的模型之间插入任何东西，”他补充说。

除了更广泛的应用，杰克逊的进步将有助于推动有机电子产品走向工业相关性。