OLED, 배터리, 태양전지, 트랜지스터 등 많은 첨단 전자 소자는 여러 재료로 구성된 복잡한 다층 구조에 의존합니다. 소자의 성능, 안정성 및 효율을 최적화하려면 층의 구성과 배열을 정밀하게 제어해야 하지만, 새로운 설계를 실험적으로 탐구하는 데는 많은 비용과 시간이 소요됩니다. 물리 기반 시뮬레이션은 개별 재료에 대한 통찰력을 제공하지만, 계산 비용과 방법론적 한계로 인해 전체 소자 구조에 적용하기에는 종종 비실용적입니다.

Schrödinger 사용자가 다층 전자 소자의 아키텍처와 작동 조건에 대한 간단하고 직관적인 설명을 바탕으로 주요 성능 지표를 예측할 수 있도록 하는 기계 학습( 머신러닝 , ML) 프레임워크를 개발했습니다. 이 접근 방식은 자동화된 ML 워크플로우를 ‘ Schrödinger ’ 재료 과학 제품군의 물리 기반 시뮬레이션과 통합하여, 물리 기반 시뮬레이션 결과를 활용해 모델의 정확도와 예측 능력을 향상시킵니다. 이러한 발전은 새로운 소자 설계 공간을 신속하게 탐색할 수 있는 확장 가능한 솔루션을 제공하여, 층 구성 변경, 층 추가 또는 제거, 층 치수 또는 형태 조정과 같은 목표 지향적인 평가를 가능하게 합니다. 사용자는 소자 성능을 효율적으로 예측하고, 기능성, 층 구조, 재료 화학 간의 해석 가능한 관계를 규명할 수 있습니다. 이번 웨비나는 단일 유닛 및 탠덤 OLED에 중점을 두고 있지만, 이 접근 방식은 다양한 전자 소자에 쉽게 적용될 수 있습니다.

주요 내용:

• 전자 소자의 성능을 모델링하기 위한 ‘ 머신러닝 ’ 프레임워크로, 사용자가 아키텍처적 특징을 정의하여 새로운 소자 구성을 탐색할 수 있게 해줍니다.
• 2,000개 이상의 OLED 아키텍처로 구성된 데이터셋을 통해 여러 주요 성능 지표에 대한 모델의 정확도를 입증함
• 외부 양자 효율, 전류 효율, 전력 효율, 전계발광 최대 피크 위치, 대역폭, 발광 색상 등 6가지 장치 성능 지표에 대한 사전 훈련된 ML 모델을 바로 사용할 수 있습니다.
• 새로운 화학 반응 및 소자 구조를 설계, 훈련 및 탐색하기 위한 직관적인 그래픽 인터페이스
• 다양한 전자 기기에 대한 프레임워크의 확장성 시연

참가 대상:

• 기기 개발자
• 연구개발(R&D) 리더들
• 혁신 관리자
• 디지털화 관리자
• 합성 화학자
• 계산 재료 과학자