유기 EL(OLED), 2차 전지, 태양전지, 트랜지스터 등 많은 첨단 전자 소자는 여러 가지 서로 다른 재료를 조합한 복잡한 다층 구조(적층 아키텍처)로 구성되어 있습니다.소자의 성능, 안정성 및 효율을 최적화하기 위해서는 각 층의 구성과 배치를 정밀하게 제어해야 하지만, 새로운 설계를 실험적으로 탐색하는 데는 막대한 비용과 시간이 소요됩니다. 물리 모델을 기반으로 한 시뮬레이션은 개별 재료의 특성을 이해하는 데 유용하지만, 계산 비용이나 방법론적 한계로 인해 전체 소자(디바이스 전체) 구조에 적용하기에는 실용적이지 않은 경우가 많습니다.

슈뢰딩거는 소자 구조 및 구동 조건에 관한 간단하고 직관적인 입력 정보를 바탕으로, 적층형 전자 소자의 주요 성능 지표를 예측하는 기계 학습(ML) 프레임워크를 개발했습니다. 이 기법은 ‘Schrödinger ’의 Materials Science 제품군 내 물리 시뮬레이션과 자동화된 ML 워크플로를 통합한 것으로, 물리 시뮬레이션의 출력 결과를 특징량으로 활용함으로써 모델의 정확도와 예측 능력을 향상시킵니다.이 기술은 새로운 소자의 설계 공간을 신속하게 탐색할 수 있는 확장 가능한 솔루션을 제공합니다. 이를 통해 층의 조성 변경, 층의 추가 또는 삭제, 각 층의 두께 및 형태학적 특성 조정 등 목표에 맞춘 평가가 가능해집니다. 사용자는 소자 성능을 효율적으로 예측하고, 기능성, 층 구조, 그리고 재료 화학 간의 해석 가능한 관계(Interpretable relationships)를 규명할 수 있습니다.본 웨비나에서는 단일 유닛 및 탠덤형 OLED에 초점을 맞춰 설명하지만, 이 기법은 광범위한 전자 소자에 쉽게 적용할 수 있습니다.

주요 하이라이트:

• 사용자가 장치의 구조적 특징을 정의하고 새로운 장치 구성을 탐색할 수 있도록 지원하는, 전자 장치 성능 모델링을 위한 머신러닝 프레임워크
• 2,000종 이상의 OLED 구조 데이터셋을 활용하여 여러 주요 성능 지표에 대해 입증된 모델 정확도
• 외부 양자 효율(EQE), 전류 효율(CE), 전력 효율(PE), EL 발광 피크 파장, 발광 스펙트럼 반폭, 발광 색상 등 6가지 소자 성능 지표에 대응하는 ‘즉시 사용 가능(Out-of-the-box)’ 사전 학습된 ML 모델
• 새로운 재료(화학 구조) 및 소자 구조의 설계, 모델 학습 및 탐색을 위한 직관적인 그래픽 인터페이스
• 이 프레임워크가 다양한 전자 기기로 확장될 수 있음을 보여주는 시연

대상자:

• 기기 개발 엔지니어
• 연구개발(R&D) 부문 리더
• 혁신 추진 매니저
• DX(재료 정보학 등) 추진 담당자
• 합성 화학자
• 계산 재료 과학자