IMID 2025

从分子到显示器：一个将基于物理理论 （模拟 ）与机器学习（ML） 相结合的数字化学平台，用于光电子设计

演讲人：
Mathew D. Halls，Schrödinger 材料事业部高级副总裁

摘要：
由于OLED器件的制造、表征和分析过程复杂且成本高昂，对创新架构和材料配方的实验探索需要耗费大量时间、人力和资源。预测建模 提供了一种强大的替代方案，通过整合信息学和大规模物性预测技术，能够对广泛设计空间内的器件进行高效且有针对性的评估。 在本场报告中，Schrödinger 将展示其数字平台的最新进展，该平台融合了机器学习（机器学习（ML） , ML）技术、多物理场模拟（量子力学(QM) ）以及材料科学（分子动力学 (MD) ）。第一项进展是将我们用于化学配方的自动化机器学习算法[1]扩展至多组分分层器件（例如OLED）的性能参数预测。第二项进展在于通过采用基于消息传递神经网络势能结合迭代电荷平衡的方法，克服了经典力场的局限性，从而以最低的计算成本实现了量子力学级别的精度。 这些机器学习模型将器件组件（即材料结构、层状架构、理化性质 以及工作条件）编码为特征，以预测OLED器件在工作输出、稳定性和效率方面的性能指标（图1）。该方法超越了传统的化学建模策略，捕捉了器件架构、组成与功能之间的复杂关系。 与这一进展相辅相成的是Schrödinger公司基于物理理论 模拟 软件的进步，该软件用于计算OLED材料的决定性性质。 作为我们机器学习势能模型的最新版本，MPNICE 能在降低计算成本的同时提供与DFT 同等精度的预测结果，从而支持对日益复杂的薄膜和工艺进行模拟 分析。例如，以往通常超出传统力场覆盖范围的金属与有机化学结合体系，如今也能得到更高效的探索。 Schrödinger为光电子材料开发和器件优化 提供的新解决方案，为加速开发创新显示技术提供了前所未有的能力。