LiveDesign 用于有机电子

概述

一键访问强大的分子和薄膜模拟功能，以及机器学习（ML） 工作流

• 借助自动化工作流，只需点击一下即可准确预测材料的光电性能
• 借助集成式 和机器学习（ML） 技术，探索覆盖范围广泛的化学空间 ，并查看由筛选 提供的大规模房产信息

支持第三方数据和脚本的即插即用功能，实现高效的数据管理与处理

• 从ELN/数据库中自动导入实验数据
• 可与任何第三方或内部程序/脚本（例如 Python、Bash、Perl 等）配合使用。
• 通过表单视图实现对复杂数据集的灵活可视化

材料化学与器件数据的实时协作管理

• 在团队和合作伙伴之间安全、即时地共享海量化学数据，以促进协作、推动创新并助力更优的决策制定

材料化学与器件性能的直观可视化

• 利用实验数据或计算机模拟数据可视化设备配置
• 深入了解设备架构和性能，以加快决策流程并缩短研发周期

案例研究：利用LIVEDESIGN 更快地设计出更出色的有机电子

针对QLED的空穴传输材料的高通量筛选 ，采用易于使用的自动化工作流程

溶液加工型胶体量子点发光二极管（QLED）在光电子应用领域备受关注。然而，QLED器件的广泛应用仍面临重大障碍。 常用量子点（QDs）与传统空穴传输材料（HTMs）之间的能级不匹配，会导致发光层（EML）内载流子分布失衡，从而降低OLED器件的效率。在本研究中，我们利用高通量密度泛函理论（DFT ）对包含约9,000种候选材料的庞大材料库进行计算，以筛选出具有深HOMO能级的潜在材料。

Schrödinger的LiveDesign 能够对任意规模的材料库进行高通量量子力学计算，以预测其光电子性质。通过“一键式”模拟 执行，可自动进行基于物理理论 估算，从而确定轨道能和重组能等关键电子性质。针对一组已知分子化合物，DFT 预测所得的HOMO能与实验测量值吻合良好（R²=0.93），这验证了DFT 方法的有效性，确保了对轨道能的稳健且准确的预测。

For high-throughput screening of the 9,000 compound library, we employed an automated workflow available in LiveDesign. First, we selected the compounds with hole reorganization energies less than 0.2 eV, see upper-right plot in Figure 1. Next, LiveDesign enables narrowing down our materials search further to those with a deep HOMO level (< -6.4 eV), and high LUMO level (> -3.0 eV), see lower-right plot in Figure 1. We search for materials with LUMO levels higher than -3.0 eV to ensure a significant energy mismatch with the conduction band of QDs (−4.0 eV), blocking electron injection from the light-emitting layer to the HTM. The chemical structures and properties of the top candidates are shown in the left panel in Figure 1.

对复杂数据集进行灵活的可视化处理，能够实现对大数据的快速处理，从而加速对有前景候选物的表征和筛选，以便进行后续处理研究和进一步实验。LiveDesign 通过多参数分析功能，助您快速筛选出最佳候选物，从而发现具有精准定制特性的候选物。

案例研究：利用LIVEDESIGN 更快地设计出更出色的有机电子

机器学习（ML） 用于热激活延迟荧光（TADF）发光体的快速筛选

TADF emitters are a promising class of molecules for achieving high quantum efficiencies in OLEDs. In such emitters, the energetic separation between the S₁ and T₁ excited states (ΔE_ST) needs to be small (< 0.2 eV), which allows reverse intersystem crossing to up-convert the T₁ state to the emissive S₁ state. Tuning ΔE_ST allows for higher efficiency light emission in the form of delayed fluorescence.

我们将一组TADF分子的实验数据导入LiveDesign ，并利用集成式 （机器学习（ML） ）工作流构建了定量结构-性质关系（QSPR）模型。随后，利用机器学习（ML） 模型对上述案例研究中使用的9,000个分子库_{进行了ΔEST值}预测。

After plotting the distribution of predicted ΔE_ST for the compounds (Figure 2, right plot), we selected the ones with ΔE_ST < 0.2. The corresponding material structures and properties are shown on the left side.

虽然本案例研究重点探讨了如何利用机器学习模型快速估算_ΔEST，但这仅仅是一个示例。该平台可随时根据不同材料类别和各种应用场景进行无缝定制，彰显了其在应对众多科学和工业挑战方面的适应性和多功能性。

案例研究：利用LIVEDESIGN 更快地设计出更出色的有机电子

用于构思的OLED器件结构可视化

电子器件的效率和整体性能受多种因素影响，包括载流子注入、电荷迁移率以及器件架构。具体而言，对于高效率的OLED，通常采用多层器件结构，包括空穴注入/传输层（HIL/HTL）、发光层（EML）以及电子注入/传输层（EIL/ETL）。 此类多层器件带来了严峻的挑战，要求使用具有适当分子轨道能级和激发态能级的材料，其中关键标准是尽可能降低各层之间的载流子注入势垒。

Schrödinger的LiveDesign 工具能够运用最先进的模拟 方法，通过考虑层厚、轨道能级、掺杂剂浓度和激发态能量，来研究潜在器件的结构。如图3所示，我们利用不同OLED材料的数据（实验或模拟特性），可视化了可能的OLED器件结构，以便快速筛选 层间能量失配。 能级失配是OLED器件的关键因素，它不仅影响发光层中的电荷复合，还通过组件的激发态能量决定器件的颜色以及分子间能量转移的可能性。这种在LiveDesign 中采用的方法，使科学家能够快速共享信息并高效讨论，从而推进设计更高性能的下一代OLED器件的工作。