Active discovery of organic semiconductors.
Active discovery of organic semiconductors.
复制标题
DOI：
10.1038/s41467-021-22611-4
复制
发表时间：
2021-04-23
影响因子：
16.6
通讯作者：
Reuter K
中科院分区：
文献类型：
--
作者：
Kunkel C;Margraf JT;Chen K;Oberhofer H;Reuter K
有机分子的多功能性为电子应用中的有机半导体（OSCs）提供了丰富的设计空间。为材料发现提供了无与伦比的希望，这个设计空间的浩瀚也决定了有效的搜索策略。在这里，我们提出了一种主动机器学习（AML）方法，通过连续应用分子变形操作来探索无限的搜索空间。该方法基于电荷注入和迁移率描述符对候选OSC的适用性进行评估，并依次查询预测质量第一性原理计算，以构建精炼代理模型。AML方法在截断的测试空间中进行了优化，通过将其可视化为化学空间网络，提供了深入的方法见解。优化后的AML方法显著优于传统的计算漏斗，可以快速识别出具有优越电荷传导特性的已知和迄今未知的OSC候选分子。最重要的是，它不断以最高的效率寻找更多的候选者，同时继续探索无尽的设计空间。现有的有机半导体计算筛选方法受到工艺计算需求的限制，导致非最佳候选材料的识别。在这里，作者报告了机器学习方法来指导有机半导体的发现。
The versatility of organic molecules generates a rich design space for organic semiconductors (OSCs) considered for electronics applications. Offering unparalleled promise for materials discovery, the vastness of this design space also dictates efficient search strategies. Here, we present an active machine learning (AML) approach that explores an unlimited search space through consecutive application of molecular morphing operations. Evaluating the suitability of OSC candidates on the basis of charge injection and mobility descriptors, the approach successively queries predictive-quality first-principles calculations to build a refining surrogate model. The AML approach is optimized in a truncated test space, providing deep methodological insight by visualizing it as a chemical space network. Significantly outperforming a conventional computational funnel, the optimized AML approach rapidly identifies well-known and hitherto unknown molecular OSC candidates with superior charge conduction properties. Most importantly, it constantly finds further candidates with highest efficiency while continuing its exploration of the endless design space. Existing methods for organic semiconductor computational screening are limited by the computational demand of the process, leading to the identification of non-optimal material candidates. Here, the authors report machine learning method to guide the discovery of organic semiconductors.
登录
查看更多内容
影响因子：
19
作者：
Friederich, Pascal;Meded, Velimir;Wenzel, Wolfgang
通讯作者：
Wenzel, Wolfgang
影响因子：
15.1
作者：
Egger, Alexander T.;Hoermann, Lukas;Hofmann, Oliver T.
通讯作者：
Hofmann, Oliver T.
影响因子：
8.7
作者：
Devi, R. Vasundhara;Sathya, S. Siva;Coumar, Mohane Selvaraj
通讯作者：
Coumar, Mohane Selvaraj
影响因子：
8.6
作者：
Bisbo, Malthe K.;Hammer, Bjork
通讯作者：
Hammer, Bjork
影响因子：
4.4
作者：
Geng, Hua;Niu, Yingli;Bredas, Jean-Luc
通讯作者：
Bredas, Jean-Luc