存档视频
附日语字幕
加速多材料层叠式电子器件设计的物理驱动型机器学习
有机发光二极管（OLED）、二次电池、太阳能电池、晶体管等许多先进电子器件，都是由多种不同材料组合而成的复杂多层结构（堆叠架构）构成的。为了优化器件的性能、稳定性和效率，必须精确控制各层的组成和排列，但对新设计进行实验探索往往需要耗费巨大的成本和时间。基于物理模型的仿真虽然有助于理解单个材料的特性，但受限于计算成本和方法上的局限，在许多情况下将其应用于整个器件的结构并不现实。
薛定谔开发了一种机器学习（ML）框架，能够根据关于器件结构和驱动条件的简单直观的输入信息，预测堆叠式电子器件的主要性能指标。该方法将Schrödinger 材料科学套件中的物理仿真与自动化ML工作流相结合，通过将物理仿真的输出结果用作特征量，从而提高了模型的精度和预测能力。该技术为快速探索新型器件的设计空间提供了可扩展的解决方案。通过该技术，可以针对性地评估层组成变更、层的增减，以及各层的膜厚和形态调整等。用户能够高效预测器件性能，并揭示功能性、层结构与材料化学之间可解释的关系（Interpretable relationships）。本次网络研讨会将重点讲解单单元和串联型OLED，但该方法可轻松应用于广泛的电子器件。
主要亮点：
- 一个用于电子器件性能建模的机器学习框架，可让用户定义器件的结构特征并探索新的器件配置
- 该模型的准确性已通过包含2,000多种OLED结构数据集的验证，涵盖多项关键性能指标
- 针对外部量子效率（EQE）、电流效率（CE）、功率效率（PE）、EL发光峰值波长、发光光谱半值宽以及发光颜色等6项器件性能指标的“开箱即用（Out-of-the-box）”预训练机器学习模型
- 用于设计新材料（化学结构）和器件结构、进行模型学习及探索的直观图形界面
- 展示本框架在各类电子设备中广泛扩展性的演示
适用对象：
- 设备开发工程师
- 研发（R&D）部门负责人
- 创新推进经理
- DX（材料信息学等）推进负责人
- 合成化学家
- 计算材料科学家
我们的演讲嘉宾
凯文·摩尔
材料科学软件领域二级高级科学家，Schrödinger
作为施莱丁格公司的科学家，凯文·穆尔致力于开发多尺度及物理与人工智能混合预测框架，以探索和优化下一代材料、器件及制备工艺。加入施莱丁格公司之前，他在佐治亚大学获得计算化学博士学位，随后在阿贡国家实验室担任博士后研究员。他专攻基于量子力学的计算（如第一性原理计算等），用于预测分子和化学体系的结构、物性及反应性。近年来，他专注于利用第一性原理计算数据、信息学以及基于物理量的特征化（Physics featurization），对新型机器学习架构和模型进行训练与验证。这些新型人工智能框架架起了化学性质与空间尺度之间的桥梁，覆盖范围从原子尺度延伸至器件尺度。其中，我特别关注的目标领域之一是包括OLED、二次电池、太阳能电池和晶体管在内的电子器件设计。
■观看本视频时，请注意以下几点。
自动翻译字幕的限制：本视频的字幕是通过自动翻译生成的。其中可能包含专业术语等不自然的表述或不准确的翻译。查看详细信息：如需了解确切的背景或详细信息，请直接联系本公司。
【注意事项】
- 视频播放可能会在未事先通知的情况下中止。敬请谅解。
- 本视频包含面向已注册用户的机密技术信息。为防止出现问题，请遵守以下事项。
- 禁止拍摄和录制：请勿对视频中的幻灯片和数据进行截图、录像或录音。
【关于报名】
请输入您在职场或学校使用的电子邮箱地址。Gmail、运营商邮箱等无法使用。
请每位参与者单独注册。请勿分享访问链接。
同行业其他公司的员工恕不接受报名。敬请谅解。
※如有任何疑问或不明之处，请通过以下方式联系我们。
施莱丁格股份有限公司
E-mail:info-japan@schrodinger.com