作为公司范围内的休整与充电计划的一部分,施罗丁格全球所有办事处将于8月17日至21日当周关闭。在此期间,我们的回复可能会有所延迟。科学和技术支持团队成员仅会处理紧急支持问题。

有机电子学

开启新一代有机电子技术的新篇章

有机电子学

在分子层面探索和优化有机电子材料

有机电子器件因重量轻、柔性好且成本低而备受追捧——但开发下一代高性能有机电子器件仍是一项挑战。

借助施罗丁格(Schrödinger)的数字化学平台,您可以利用结合了基于物理的建模和机器学习技术的高级计算工作流,发现具有优良导电性、机械和热稳定性,且适合制造的优质有机电子材料——这将助您踏上研发材料的征程,从而推动显示器和柔性电子设备的未来发展。

背景图案

由有机电子学专家设计的直观计算工作流

适用于所有材料类型的易用型系统构建工具
适用于分子模拟、机器学习和数据分析的强大工作流
专业的客户支持和丰富的培训资源

有机电子创新工具包

优化设备效率

  • 计算载流子迁移率及折射率等光学性质,并确定薄膜中的分子取向,以实现高耦出效率
  • 准确预测光电子材料的关键性质,包括颜色、光谱、激发态和系间交叉
  • 对电子跃迁的特性进行建模,包括超荧光和发光淬灭

延长设备使用寿命

  • 更好地了解大气因素对设备使用寿命的影响,例如氧化剂的暴露
  • 准确预测材料的热降解和电化学降解
  • 对激子退化进行建模并深入了解其机制

优化制造

  • 预测关键热物理性质,例如力学响应和玻璃化转变温度(Tg)
  • 模拟层制备工艺,包括气相沉积和溶液加工
  • 模拟薄膜形态(包括溶剂)以及加工过程中的材料相容性

技术在实践中

松下利用薛定谔的平台,加快新型材料的设计速度 博客
松下利用薛定谔的平台,加快新型材料的设计速度

了解松下如何将分子模拟融入其创新方法,从而加快新材料的开发进程。

案例研究与网络研讨会

了解施罗丁格技术如何被用于解决现实世界中的研究难题。

材料科学 网络研讨会

Busen 实战应用:电池与储能

欢迎参加本系列活动,我们的科学家将通过现场演示,直接向您展示您的团队如何利用Bunsen技术应对具体应用场景,从而加速创新、降低实验测试风险,并比以往任何时候都更快地发掘出高潜力的候选化合物。

材料科学 网络研讨会

“本生在行动”:Agentic AI 联合科学家深度解析系列——聚焦聚合物、电池与反应性

欢迎参加本系列活动,我们的科学家将通过现场演示,直接向您展示您的团队如何利用Bunsen技术应对具体应用场景,从而加速创新、降低实验测试风险,并比以往任何时候都更快地发掘出高潜力的候选化合物。

材料科学 网络研讨会

电子封装领域中基于人工智能/机器学习和物理原理的材料创新

在本场网络研讨会中,我们将介绍用于预测聚合物包装材料关键性能的最先进计算工作流程,这是“预测优先”方法的一个关键环节。

材料科学 网络研讨会

快速、精准且可调:借助薛定谔机器学习力场推动电池材料创新

欢迎参加我们的现场演示,我们将展示MLFFs在准确建模复杂系统(包括液体和固态电解质)中的应用。

材料科学 网络研讨会

快速、精确且可调:利用薛定谔机器学习力场记录技术推动电池材料创新

欢迎参加我们的现场演示,我们将展示MLFFs在准确建模复杂系统(包括液体和固态电解质)中的应用。

材料科学 网络研讨会

基于物理原理的机器学习,旨在加速分层多组分电子器件的设计 日本 录音

Schrödinger 开发了一种机器学习(ML)框架,该框架使用户能够根据对多层电子器件架构和工作条件的简单、直观描述,预测其关键性能指标。

材料科学 网络研讨会

利用基于物理的AI/ML加速材料发现

本系列网络研讨会将探讨前沿计算方法如何彻底改变药品、生物制剂和先进材料的设计与优化。

材料科学 网络研讨会

推进适用于材料科学领域的机器学习力场

在本场网络研讨会中,我们将介绍薛定谔(Schrödinger)研发的尖端MLFF架构——名为“具有迭代电荷平衡的消息传递网络”(MPNICE),该架构融合了显式静电理论,以实现精确的电荷表征。

材料科学 网络研讨会

应用薛定谔数字平台解决方案,推动显示材料/器件及电池材料技术的创新

得益于近期计算科学和新材料技术的发展,我们现在有机会将基于计算机的数字材料设计解决方案更便捷、更快速地应用于研发工作。

材料科学 网络研讨会

利用人工智能/机器学习加速化学创新:材料应用领域的突破

在本期网络研讨会中,我们将探讨人工智能(AI)和机器学习(ML)如何推动材料创新取得重大进展,并重点介绍一些案例研究,展示机器学习前沿技术在各种应用中的应用。

精选课程材料科学应用中的分子建模:有机电子学课程

材料科学应用中的分子建模:有机电子学课程

在线认证课程:提升您在有机电子器件建模方面的技能

了解如何运用业界领先的计算软件来预测关键的光电特性,从而加速有机电子学领域新型材料的发现。

  • 自主学习内容
  • 亲身体验施罗丁格软件
  • 指导性与自主性案例研究
了解更多

文档与教程

了解常见问题的解答,并掌握使用Schrödinger软件的最佳实践。

材料科学 习题指南

基于 MPNICE 嵌入的机器学习

学习如何使用 MPNICE Embedding 构建、分析和应用机器学习模型。

材料科学 习题指南

机器学习力场的微调

学习如何对预训练的机器学习力场(MLFF)模型进行微调,以研究二维材料的晶格参数。

材料科学 习题指南

利用 REINVENT 进行新型化合物的从头设计

学习如何使用 REINVENT 训练生成式机器学习模型,以在满足特定性质约束的前提下设计新化合物。

材料科学 习题指南

确定表面上的吸附位点

了解如何确定表面上的吸附位点。

材料科学 习题指南

计算椭圆偏振光谱学

了解如何计算有机光电子器件系统的折射率和消光系数。

材料科学 文献资料

机器学习力场

机器学习力场(MLFFs)为预测任意系统的能量提供了一种新方法。

材料科学 习题指南

机器学习力场

了解如何利用机器学习力场优化方法来构建和模拟各种系统。

材料科学 文献资料

MS 反应性

分子化学领域中用于设计、优化及无监督机制发现的自动化工作流。

材料科学 文献资料

信息学硕士

用于材料科学应用的自动化机器学习工具

材料科学 文献资料

MS 介电

一个用于计算介电特性和折射率的自动化工作流。

主要产品

进一步了解可用于推进您研究项目的关键计算技术。

OLED 器件机器学习

一种基于机器学习的解决方案,用于研究OLED器件的结构与性能之间的关系,以加快筛选进程

虚拟集群

用于在云端运行仿真的安全、可扩展的环境

GA 光电子

基于生成式算法的光电子应用新型分子材料设计方案

捷豹

利用量子力学快速、准确地预测分子结构和性质的解决方案

德斯蒙德

一款高性能分子动力学(MD)引擎,具备高可扩展性、高吞吐量和科学精度

MS Mobility

有机半导体固态薄膜中电荷迁移率的原子级模拟与分析

OPLS4 和 OPLS5 力场

一个用于精确分子模拟的现代化、综合性力场

DeepAutoQSAR

用于预测性机器学习模型训练和应用的自动化、可扩展解决方案

LiveDesign

您的全方位数字分子设计实验室

出版物

浏览相关应用领域中采用薛定谔技术的经同行评审的出版物列表。

材料科学 出版物

基于分层变分自编码器、高斯混合回归和贝叶斯优化的低重组能有机半导体数据驱动设计

材料科学 出版物

利用MPNICE机器学习力场对大规模光电子材料进行数字探索

材料科学 出版物

通过数据增强对复杂接口的神经网络势能进行可扩展训练

材料科学 出版物

通过整合机器学习与密度泛函理论预测导电聚合物的带隙和重排能

材料科学 出版物

印烯卡巴唑–三嗪双极宿主共聚物对溶液加工型OLED中电荷传输的调控

材料科学 出版物

提高深蓝色OLED的效率:探索基于机器学习的多共振TADF分子设计

材料科学 出版物

探索低粘度分子:利用基于物理的模拟和通过强化学习实现的从头设计

材料科学 出版物

一种基于无掺杂空穴传输材料的、用于体外预测钙钛矿太阳能电池光伏性能的机器学习方法

材料科学 出版物

四齿铂(II)配合物中的改性叔丁基使蓝光磷光有机发光二极管具有超长的发光寿命

材料科学 出版物

对电荷转移型有机分子中复杂自旋上转换过程的理解

满足您组织需求的软件和服务

软件平台

借助一个基于物理分子建模、机器学习和团队协作的全面且易于使用的平台,部署数字化材料发现工作流。

研究服务

借助施罗丁格(Schrödinger)专业的计算科学家团队,在您的材料发现与开发流程的关键阶段提供支持。

支持与培训

获取专为新手和资深用户量身定制的专家支持、教育资料和培训资源。