Video Experimental Relacionado
Updated: Jan 7, 2026
Time-resolved Photophysical Characterization of Triplet-harvesting Organic Compounds at an Oxygen-free Environment Using an iCCD Camera
Published on: December 27, 2018
Descubrimiento guiado por el aprendizaje automático de hosts excíplex de tripletes altos protegidos estéricamente
Sunggi An1, Truong Thi Thuy2, Eojin Jeon2
1Department of Chemical and Biomolecular Engineering, Korea Advanced Institute of Science and Technology (KAIST), 291, Daehak-ro, Yuseong-gu, Daejeon 34141, South Korea.
El aprendizaje automático (ML) acelera el descubrimiento de diodos orgánicos emisores de luz (OLED) al incorporar reglas de diseño exciplex. Este enfoque basado en la física produce dispositivos OLED estables y de alta eficiencia con un rendimiento mejorado.
Área de la Ciencia:
- Ciencias de los materiales
- Productos electrónicos orgánicos
- Química computacional
Sus antecedentes:
- El aprendizaje automático (ML) ha demostrado ser prometedor para acelerar el descubrimiento de materiales de diodo emisor de luz orgánico (OLED).
- Sin embargo, su aplicación para mejorar el rendimiento a nivel de dispositivo de los OLED sigue siendo limitada.
- La formación de Exciplex es crucial para la transferencia eficiente de energía y la estabilidad del dispositivo en arquitecturas OLED avanzadas.
Objetivo del estudio:
- Desarrollar un flujo de trabajo de aprendizaje automático (ML) que integre criterios de diseño específicos de exciplex para mejorar el rendimiento de OLED.
- Identificar nuevos materiales huésped de tipo n para OLED fluorescentes sensibilizados a la fosforescencia (PSF) considerando las propiedades exciplex.
- Establecer una estrategia ML basada en la física para el diseño de dispositivos OLED de alta eficiencia y estabilidad.
Principales métodos:
- Desarrolló un flujo de trabajo de ML que incorpora criterios específicos de exciplex: alta energía triple, alineación LUMO profunda, alta BDE y energía de reorganización óptima.
- Animales tipo n para OLED de PSF que utilizan el flujo de trabajo ML, centrados en la formación de exciplex con BPP-BCZ tipo p.
- Se han introducido grupos de silano voluminosos en los materiales de acogida (DPSiTrz, DBiPSiTrz) para evitar la agregación y mantener el acoplamiento electrónico para la formación de exciplex.
Principales resultados:
- Se identificaron dos huéspedes de tipo n funcionalizados por silano, DPSiTrz y DBiPSiTrz, que forman exciplexos estables con BPP-BCZ de tipo p.
- Los huéspedes exciplex exhibieron altas energías tripletas (> 2,50 eV), una reducción de la desintegración no radiativa y una transferencia mínima de energía hacia atrás (BET).
- Los OLED de PSF verdes fabricados alcanzaron altas eficiencias cuánticas externas (EQE) de hasta el 39,4%, con una excelente estabilidad operativa (LT95 = 134,4 h a 5000 cd m-2) y una baja eficiencia de descarga.
Conclusiones:
- La estrategia de diseño molecular habilitada por ML, informada por el comportamiento exciplex y la estabilidad del dispositivo, es efectiva para descubrir OLED de alto rendimiento.
- El ML basado en la física que incorpora criterios exciplex traduce con éxito el diseño molecular en dispositivos experimentalmente robustos.
- Este enfoque ofrece una vía para desarrollar diodos orgánicos emisores de luz altamente eficientes y duraderos.
