Aprendizaje profundo de fusión para predecir la conductividad en polímeros orgánicos dopados con electrones

Área de la Ciencia:

• Ciencias de los materiales
• Productos electrónicos orgánicos
• Química computacional

Sus antecedentes:

• Los semiconductores orgánicos de tipo n eficientes y estables al aire son vitales para los dispositivos electrónicos orgánicos de alto rendimiento.
• El n-doping molecular es clave para lograr las propiedades deseadas del semiconductor.
• El aprendizaje automático (ML) acelera el descubrimiento y el diseño de nuevos materiales mediante la identificación de relaciones estructura-propiedad.

Objetivo del estudio:

• Desarrollar y validar un enfoque basado en datos para predecir la conductividad de los semiconductores orgánicos de tipo n.
• Construir una base de datos completa de polímeros conductores de tipo n con datos experimentales y computacionales.
• Diseñar e implementar un modelo de aprendizaje profundo de fusión para una predicción precisa de las propiedades.

Principales métodos:

• Se creó una base de datos curada de 84 polímeros conductores de tipo n, que incluye datos experimentales de n-dopaje con 4- ((1,3-dimetil-2,3-dihidro-1H-benzoimidazol-2-il) fenil dimetilamina (N-DMBI-H) y cálculos de la teoría funcional de la densidad (DFT).
• Se desarrolló un modelo de aprendizaje profundo de fusión, que integra redes neuronales convolucionales (CNN) y redes neuronales artificiales totalmente conectadas (ANN), para analizar las estructuras y propiedades del polímero.
• El modelo fue entrenado y validado utilizando una validación cruzada y se aplicó para predecir la conductividad de polímeros con cadenas laterales de oligoetilenglicol (OEG).

Principales resultados:

• El modelo de aprendizaje profundo de fusión identificó con éxito los factores físicos clave que influyen en la conductividad en polímeros de tipo n dopados con N-DMBI-H.
• Un experimento doble ciego validó la capacidad predictiva del modelo, con predicciones de conductividad para polímeros de tipo N2200 y BDPPV que coincidían con los valores experimentales dentro del mismo orden de magnitud.
• El modelo demostró fiabilidad en la predicción de la conductividad de los semiconductores orgánicos de tipo n dopados.

Conclusiones:

• El modelo de aprendizaje profundo de fusión desarrollado es una herramienta confiable para predecir la conductividad de los semiconductores orgánicos de tipo n.
• Este enfoque basado en datos proporciona una base sólida para el diseño racional de polímeros de tipo n de alta conductividad.
• Los hallazgos facilitan el avance de dispositivos electrónicos orgánicos duraderos y de alto rendimiento a través del descubrimiento acelerado de materiales.