IMID 2025

분자에서 디스플레이까지: 광전자 설계에 물리 기반 시뮬레이션과 머신러닝 를 결합한 디지털 화학 플랫폼

발표자:
매튜 D. 홀스(Mathew D. Halls), Schrödinger 소재 부문 수석 부사장

초록:
OLED 소자를 위한 혁신적인 구조 및 소재 조성에 대한 실험적 탐구는 소자 제작, 특성 분석 및 평가의 복잡성과 비용으로 인해 상당한 시간, 인력 및 자원을 필요로 합니다. 예측 모델링은 정보학 및 대규모 물성 예측을 통합함으로써 광범위한 설계 공간에 걸쳐 장치를 효율적이고 목표 지향적으로 평가할 수 있게 해주는 강력한 대안을 제시합니다. 이번 발표에서 Schrödinger 는 기계 학습( 머신러닝 , ML) 기술을 양자역학 및 분자동역학 과 결합한 자사의 디지털 플랫폼에 대한 최근 발전 사항을 소개할 예정입니다. 첫 번째 발전 사항은 화학 조성에 대한 당사의 자동화된 ML 알고리즘[1]을 확장하여 OLED와 같은 다성분 적층 장치의 성능 매개변수를 예측하는 것입니다. 두 번째 발전은 반복적 전하 평형화를 적용한 메시지 전달 신경망(message-passing neural network) 잠재력을 활용하여 고전적 힘장의 한계를 극복함으로써, 최소한의 계산 비용으로 양자역학적 정확도를 달성하는 것입니다. 이러한 ML 모델은 소자 구성 요소(즉, 재료 구조, 층 구조, 물리화학적 특성 및 작동 조건)를 특징으로 인코딩하여 작동 출력, 안정성 및 효율과 같은 OLED 소자 성능 지표를 예측합니다(그림 1). 이 접근 방식은 전통적인 화학 모델링 전략을 뛰어넘어, 소자 구조, 조성 및 기능 간의 복잡한 관계를 포착합니다. 이러한 발전을 보완하는 것은 OLED 소재의 결정적 특성을 계산하는 Schrödinger의 물리 기반 시뮬레이션 소프트웨어의 발전입니다. 당사의 ML 잠재력의 최신 버전인 MPNICE는 계산 비용을 줄이면서도 DFT 수준의 정확한 예측을 제공하여, 점점 더 복잡해지는 박막 및 공정의 시뮬레이션을 가능하게 합니다. 예를 들어, 기존 힘장(force field)의 적용 범위를 벗어났던 금속 및 유기 화학을 결합한 시스템도 이제 보다 효율적으로 탐구할 수 있게 되었습니다.Schrödinger의 광전자 소재 개발 및 소자 최적화를 위한 새로운 솔루션은 혁신적인 디스플레이 기술의 신속한 개발을 위한 전례 없는 역량을 제공합니다.