Cách tiếp cận máy học khám phá các bán dẫn kết tinh hóa
Các bán dẫn hữu cơ là một công nghệ chuyển đổi gắn các thiết bị điện tử truyền thống với các vật liệu hữu cơ tinh tế. Chúng có thể tạo ra các thiết bị đeo trên người linh hoạt và các màn hình hiển thị thế hệ mới.
Các bán dẫn hữu cơ tinh thể hóa (COS) là một tập hợp các vật liệu điện tử hữu cơ mà trong những năm gần đây thu hút sự chú ý do những đặc tính độc nhất vô nhị và những ứng dụng tiềm năng. Các COS nhất định có thể hình thành các cấu trúc tinh thể được sắp xếp, vốn đóng vai trò quan trọng trong việc tăng cường các đặc tính truyền tải điện. Trong COS, các phân tử được sắp xếp theo mô hình có chu kỳ đều đặn, chuyển động tích điện thêm tăng hiệu quả trong vật liệu.
Trong hợp tác với các nhà khoa học tại trường đại học Princeton, các nhà nghiên cứu Filipp Gusev và Olexandr Isayev, các giáo sư khoa học liên ngành ghế Carl và Amy Jones của trường đại học Carnegie Mellon đã thiết kế ra một cách sử dụng máy học để gia tốc việc nhận diện tiềm năng của các vật liệu COS.
“Cách tiếp cận mới này kết hợp mô hình hóa máy học các đặc tính nhiệt của các phân tử với việc sàng lọc ảo”, theo Gusev, một nghiên cứu sinh trong nhóm nghiên cứu của Isayev.
“Và kết quả là chúng tôi nhận diện được ba phân tử có thể kết tinh được trong một hình thức dạng tấm mỏng. Các phân tử đó hình thành các đơn tinh thể khu vực lớn được ưa thích trong thiết kế các thiết bị điện tử. Cả ba phân tử đó được từng được các nhà nghiên cứu ở Princeton tạo ra trước đây để hình thành các phiến mỏng khi pha tạp thông qua quá trình ủ sau lắng đọng”.
Gusev là đồng tác giả thứ nhất với Holly Johnson và Jordan Dull của ĐH Princeton trong bài báo “Discovery of Crystallizable Organic Semiconductors with Machine Learning”, xuất bản trên Journal of the American Chemical Society. Gusev đã trình bày công trình trong hội thảo ACS Fall 2024 ở Denver.
Nhóm nghiên cứu đã thực hiện một sàng lọc ảo khoảng một nửa triệu các phân tử đã được thương mại hóa. Gusev xây dựng hai mô hihnf máy học, một dự đoán nhiệt độ nóng chảy và một dự đoán enthalpy của nóng chảy. Hai đặc tính đó đều quan trọng cho việc thu hẹp số lượng các ứng viên vật liệu COS bằng việc ước tính một phần ba số lượng chính: lực điều hướng kết tinh hóa.
Cùng với điểm nóng chảy của một vật liệu, lực điều hướng tinh thể hóa có thể đóng vai trò như một hình thái nuôi tinh thể được đoán trước – hoặc điện trở lên sự kết tinh hóa màng mỏng – trong các bán dẫn hữu cơ. Do đó, mô hình máy học giúp ưu tiên một số lượng nhỏ các ứng viên mà các nhà nghiên cứu ở Princeton có thể phân tích hiệu quả trong thực nghiệm.
Các nhà nghiên cứu Carnegie Mellon tập huấn các mô hình dự đoán để sàng lọc các ứng viên trong nhiều giai đoạn. Họ sử dụng Bridges-2 tại Trung tâm Siêu máy tính Pittsburgh (PSC) với sự hỗ trợ của Hệ sinh thái điều phối Tính toán, dữ liệu và công nghệ truyền thông tiên tiến NSF: Chương trình hỗ trợ và dịch vụ (ACCESS).
“Không nhảy vào một phòng thí nghiệm và thực hiện hang trăm thí nghiệm để tìm kiếm các vật liệu COS, chúng tôi đã huấn luyện các mô hình máy học có thể hướng dẫn chúng tôi dựa trên những gì các phân tử chọn”, Isayev nói. “Điều cốt lõi là bạn khởi động với một đống cỏ và kết thúc với một cây kim mà bạn đang tìm kiếm”.
Máy học làm thu hẹp hơn danh sách ứng viên từ hàng trăm xuống còn 44.
“Từ 44 ứng viên, chúng tôi còn hạ xuống thành 13 phân tử dựa trên kinh nghiệm của chúng tôi về sự kết tinh”, theo Johnson, một nghiên cứu sinh của nhóm nghiên cứu ở ĐH Princeton.
Việc sử dụng máy học để dự đoán và hiểu biết chuyên gia kết nối để nhận diện các ứng viên vật liệu hình thành tấm mỏng.
Nhóm nghiên cứu trong phòng thí nghiệm của giáo sư Barry Rand tại ĐH Princeton sau đó đã thực hiện thực nghiệm dựa trên các dự đoán máy học và công thức hóa tầm quan trọng của lực điều hướng kết tinh trong COS. Nhóm nghiên cứu đã lựa chọn được sáu phân tử cho đánh giá thực nghiệm dựa trên giá thành và độ sẵn sàng về mặt thương mại. Johnson nói họ sử dụng phân tích nhiệt quét vi sai (DSC) để kiểm tra các ứng viên cho các đặc tính nhiệt và so sánh với dự đoán máy học.
Thêm vào việc kiểm tra độ chính xác của dự đoán máy học, thực nghiệm này tiết lộ cho các nhà nghiên cứu một phạm vi nhiệt độ cho quá trình ủ: trên mức nhiệt chuyển pha kính nhưng dưới điểm sôi.
“Chúng tôi khởi động với DSC để có được các giá trị nhiệt cho từng kim loại, sau đó chúng tôi vào quá trình pha tạp và tối ưu pha mà chúng tôi có thể hạ thấp các điều kiện hoạt động tốt nhất để hỗ trợ việc nuôi tinh thể và phân tích hình thái kết quả”, Johnson nói. “Quá trình chế tạo của chúng tôi tuy diễn ra một cách thuận lợi nhưng lại đòi hỏi nhiều độ tinh tế”.
“Bạn bắt đầu với việc lắng đọng vật liệu mà bạn cố gắng kết tinh hóa nó thành một hợp chất dưới chân không, sau đó bạn phá vỡ quá trình ủ các vật liệu trong môi trường trơ. Việc hỗ trợ các điều kiện thí nghiệm, như độ dày màng mỏng, nhiệt độ ủ và thời gian ủ cần phải được xác định chính xác. Trong trường hợp này, có tiềm năng tạo ra một màng có những miền kết tinh bậc cao và phạm vi lớn”.
Các nhà nghiên cứu ở Princeton thực hiện trực tiếp các thực nghiệm kết tinh để đánh giá sáu phân tử trong nhiều tháng. Một nửa các phân tử được thử nghiệm kết tinh như phiến mỏng, với hình thái lý tưởng để tạo ra các linh kiện trong tương lai.
Các vật liệu COS đem lại một nền tảng nghiên cứu vật lý cơ bản của vận chuyển điện tích trong các hệ hữu cơ. Bằng việc kiểm tra mối quan hệ giữa đóng gói phân tử, cấu trúc tinh thể hóa và các đặc tính điện tử, các nhà nghiên cứu có thể có được cái nhìn thấu suốt vào trong các cơ chế hỗ trợ thiết kế những vật liệu điện tử hữu cơ hiệu suất cao.
Gusev nói dự án này là một trong những hướng của công trình nghiên cứu của mình. Anh phát triển các phương pháp kết hợp máy học với thực nghiệm. “Toàn bộ ý tưởng của nghiên cứu tôi thực hiện là cung cấp hướng dẫn điều hướng dữ liệu cho các thí nghiệm giữa nhiều quy tắc khác nhau”, Gusev nói.
Gusev và Isayev, cùng với các sinh viên Carnegie Mellon là Evgeny Gutkin, Ben Koby và giáo sư hóa học Maria Kurnikova, là một phần của nhóm hợp tác với trường đại học British Columbia đã giành vị trí thứ nhất trong Đánh giá quan trọng về các thực nghiệm tính toán (CACHE) của thách thức khám phá thuốc #1.
Thách thức này bao gồm sử dụng các phương pháp tính toán mới trong tìm kiếm các đích tiềm năng để điều trị bệnh Parkinson’s, cụ thể để tìm kiếm các chất ức chế miền lặp WD40 (WDR) của kinase 2 lặp giàu leucine (LRRK2), một gene phổ biến là nguyên nhân gây ra bệnh này.
“Cả hai dự án – vật liệu COS và các chất ức chế enzyme kinase LRRK2 – đều chứng tỏ các mô hình máy học được huấn luyện tốt có thể dự đoán các đặc tính thách thức và hướng dẫn thực nghiệm”, Gusev nói. “Điều này mở ra một cơ hội đem lại một cú chuyển đáng kể trong việc ra quyết định của con người tới các thuật toán. Các năng lực đó ghi một bước tiên tiến quan trọng về việc các phòng thí nghiệm tự vận hành như Phòng thí nghiệm đám mây CMU, vẽ ra một tiềm năng hợp tác cúa máy và trí tuệ con người”.
Vũ Nhàn dịch từ Carnegie Mellon University
