Descubrimiento de semiconductores orgánicos cristalizables con aprendizaje automático

Área de la Ciencia:

• Ciencias de los materiales
• Productos electrónicos orgánicos
• Ciencia de la cristalización

Sus antecedentes:

• Los semiconductores orgánicos cristalinos exhiben una movilidad de carga superior y una longitud de difusión de excitón en comparación con las películas amorfas.
• Las películas delgadas de moléculas orgánicas pueden pasar de estados amorfos a estados cristalinos a través del recocido térmico, idealmente formando estructuras de plaquetas a gran escala.
• Sin embargo, la cristalización puede dar lugar a morfologías indeseables como esferulitos o resistencia completa a la cristalización.

Objetivo del estudio:

• Emplear el aprendizaje automático (ML) para predecir el potencial de las moléculas orgánicas para formar películas delgadas cristalinas de plaquetas.
• Identificar materiales orgánicos candidatos mediante la estimación de las propiedades térmicas clave: alto punto de fusión (Tm) y fuerza motriz de cristalización (ΔG).

Principales métodos:

• Utilizó un algoritmo de aprendizaje automático para predecir las propiedades térmicas (Tm y ΔG) de las moléculas orgánicas.
• Se evaluaron experimentalmente seis moléculas orgánicas identificadas por el modelo ML para su comportamiento de cristalización de película delgada.

Principales resultados:

• Tres de las seis moléculas orgánicas evaluadas se cristalizaron con éxito en la morfología plaquetaria deseada.
• Una molécula formó esferulitos, y dos moléculas resistieron la cristalización de película delgada.
• El enfoque ML demostró éxito en la predicción de propiedades térmicas y en la selección de materiales.

Conclusiones:

• El aprendizaje automático puede predecir con eficacia las propiedades térmicas relevantes para la cristalización orgánica de película delgada.
• El alto punto de fusión (Tm) y la fuerza motriz de cristalización (ΔG) son métricas clave para predecir la formación de la morfología plaquetaria.
• Este trabajo valida el uso de ML en el descubrimiento de materiales orgánicos con comportamientos de cristalización específicos para aplicaciones electrónicas.