许多先进的电子器件——例如OLED、电池、太阳能电池和晶体管——都依赖于由多种材料组成的复杂多层结构。要优化器件的性能、稳定性和效率，就需要对各层的组成和排列进行精确控制，但对新设计进行实验探索既耗资巨大又耗时费力。尽管基于物理理论 模拟能够为单个材料提供深入见解，但由于计算成本高昂和方法上的局限性，这种模拟方法往往不适用于完整的器件结构。

Schrödinger 开发了一种机器学习（机器学习（ML） , ML）框架，使用户能够根据对多层电子器件架构和工作条件的简单直观描述，预测其关键性能指标。该方法将自动化的机器学习工作流与Schrödinger 材料科学套件中的基于物理理论 仿真相结合，利用基于物理理论 模拟 的输出结果来提高模型的准确性和预测能力。这一进展为快速探索新型器件设计空间提供了一种可扩展的解决方案——支持进行针对性评估，例如修改层组成、增减层数以及调整层尺寸或形态。 用户可以高效地预测器件性能，并揭示功能、层结构与材料化学之间可解释的关联。虽然本次网络研讨会主要聚焦于单单元和串联OLED，但该方法可轻松适应各类电子器件。

主要亮点：

• 一个用于建模电子器件性能的机器学习（ML） 框架，允许用户定义架构特征以探索新型器件配置
• 通过包含2,000多种OLED架构的数据集，验证了该模型在多项关键性能指标上的准确性
• 开箱即用，提供针对六项器件性能指标的预训练机器学习模型，包括外部量子效率、电流效率、功率效率、电致发光最大峰值位置、带宽和发光颜色
• 用于设计、训练和探索新型化学体系及器件架构的直观图形界面
• 演示该框架在广泛电子设备中的可扩展性

适合哪些人参加：

• 设备开发者
• 研发负责人
• 创新经理
• 数字化经理
• 合成化学家
• 计算材料科学家