作为公司范围内的休整与充电计划的一部分,Schrödinger 全球所有办事处将于8月17日至21日当周暂停办公。在此期间,我们的响应将有所限制,敬请谅解。Scientific和技术支持 团队成员仅会处理紧急支持问题。

有机电子

开启新一代的有机电子

有机电子

在分子层面探索和优化有机电子材料

有机电子 因其重量轻、柔韧性好且成本低而备受追捧——但开发下一代高性能有机电子 仍是一项挑战。

借助Schrödinger的数字化学平台,您可以利用基于物理理论 建模和机器学习(ML) 技术,访问先进的计算工作流,从而发现具有优良导电性、机械和热稳定性,且适合制造的优质有机电子材料——这将助您迈向开发能够推动显示器和柔性电子设备未来发展的材料之路。

背景图案

由该领域的专家设计的直观计算工作流有机电子

适用于所有材料类型的易用型系统构建工具
适用于分子模拟 、机器学习(ML) 以及数据分析的强大工作流
专业的客户支持和丰富的培训资源

有机电子 创新工具包

优化设备效率

  • 计算载流子迁移率及折射率等光学性质,并确定薄膜中的分子取向,以实现高耦出效率
  • 准确预测光电子材料的关键性质,包括颜色、光谱、激发态和系间交叉
  • 对电子跃迁的特性进行建模,包括超荧光和发光淬灭

延长设备使用寿命

  • 更好地了解大气因素对设备使用寿命的影响,例如氧化剂的暴露
  • 准确预测材料的热降解和电化学降解
  • 对激子退化进行建模并深入了解其机制

优化制造

  • 预测关键热物理性质,例如力学响应和玻璃化转变温度(Tg)
  • 模拟层制备工艺,包括气相沉积和溶液加工
  • 模拟薄膜形态(包括溶剂)以及加工过程中的材料相容性

技术在实践中

松下利用Schrödinger的平台,更快地设计出新型材料 博客
松下利用Schrödinger的平台,更快地设计出新型材料

了解松下如何将分子模拟融入其创新方法,从而加快新材料的开发进程。

案例研究与网络研讨会

了解Schrödinger 技术如何被用于解决现实世界中的研究难题。

材料科学 网络研讨会

快速、精准且可调:借助Schrödinger的机器学习(ML) 力场技术推动电池材料创新

欢迎参加我们的现场演示,我们将展示MLFFs在准确建模复杂系统(包括液体和固态电解质)中的应用。

材料科学 网络研讨会

快速、精准且可调:借助Schrödinger的机器学习(ML) 力场记录技术推动电池材料创新

欢迎参加我们的现场演示,我们将展示MLFFs在准确建模复杂系统(包括液体和固态电解质)中的应用。

材料科学 网络研讨会

基于物理原理的机器学习,旨在加速分层多组分电子器件的设计 日本 录音

Schrödinger 已开发出一种机器学习(ML) (ML)框架,该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。

材料科学 网络研讨会

利用基于物理的AI/ML加速材料发现

本系列网络研讨会将探讨前沿计算方法如何彻底改变药品、生物制剂和先进材料的设计与优化 。

材料科学 网络研讨会

推进机器学习(ML) 力场在材料科学中的应用

在本场网络研讨会中,我们将介绍Schrödinger开发的尖端MLFF架构——名为“带迭代电荷平衡的消息传递网络”(MPNICE)的架构,该架构融合了显式静电理论,以实现精确的电荷表征。

材料科学 网络研讨会

Schrödinger 应用数字平台解决方案推动显示材料/器件及电池材料技术的创新

得益于近期计算科学和新材料技术的发展,我们现在有机会将基于计算机的数字材料设计解决方案更便捷、更快速地应用于研发工作。

材料科学 网络研讨会

利用人工智能/机器学习加速化学创新:材料应用领域的突破

在本期网络研讨会中,我们将探讨人工智能(AI)和机器学习(ML)如何推动材料创新取得重大进展,并重点介绍一些案例研究,展示机器学习前沿技术在各种应用中的应用。

材料科学 网络研讨会

借助多尺度 和多物理场 的仿真技术,加速OLED创新

欢迎加入我们,共同探索集成式 数字工作流程如何推动新一代高性能OLED的设计。

材料科学 网络研讨会

高性能材料发现:依托云计算实现的十年突破

本次演讲将展示Schrödinger 的集成式 材料科学平台如何支持在各种应用场景中开展大规模并行筛选 和从头设计 项目。

材料科学 网络研讨会

借助Schrödinger的数字化学平台,加速不对称催化剂的设计

在本场网络研讨会中,我们将演示如何利用Schrödinger的先进数字化学平台,加速不对称催化剂的直接设计与发现。

精选课程分子建模 适用于材料科学领域的应用:有机电子 课程

分子建模 适用于材料科学领域的应用:有机电子 课程

在线认证课程:提升您的有机电子 建模技能

了解如何运用业界领先的计算软件来预测关键的光电特性,从而加速发现适用于有机电子 的新型材料。

  • 自主学习内容
  • 亲身体验Schrödinger 软件
  • 指导性与自主性案例研究
了解更多

文档与教程

了解常见问题的解答,并掌握使用Schrödinger软件的最佳实践。

材料科学 习题指南

机器学习(ML) 采用 MPNICE 嵌入式技术

学习如何使用 MPNICE Embedding 构建、分析和应用机器学习模型。

材料科学 习题指南

机器学习(ML) 力场的精细调整

学习如何对预训练的机器学习(ML) 力场(MLFF)模型进行微调,以研究二维材料的晶格参数。

材料科学 习题指南

从头设计 利用 REINVENT 开发新型化合物

学习如何使用 REINVENT 训练生成式机器学习模型,以在满足特定性质约束的前提下设计新化合物。

材料科学 习题指南

确定表面上的吸附位点

了解如何确定表面上的吸附位点。

材料科学 习题指南

计算椭圆偏振光谱学

了解如何计算有机光电子器件系统的折射率和消光系数。

材料科学 文献资料

机器学习(ML) 力场

机器学习(ML) 力场(MLFFs)为预测任意系统的能量提供了一种新颖的方法。

材料科学 习题指南

机器学习(ML) 力场

了解如何使用机器学习(ML) 力场优化 方法来构建和模拟各种系统。

材料科学 文献资料

MS 反应性

分子化学中用于设计、优化 以及无监督机制发现的自动化工作流。

材料科学 文献资料

信息学硕士

用于材料科学应用的自动化机器学习(ML) 工具

材料科学 文献资料

MS 介电

一个用于计算介电特性和折射率的自动化工作流。

主要产品

进一步了解可用于推进您研究项目的关键计算技术。

OLED 器件机器学习

机器学习(ML) 一种用于研究OLED器件架构与性能之间关系的解决方案,以加速筛选

虚拟集群

用于在云端运行仿真的安全、可扩展的环境

GA 光电子

基于生成式算法的光电子应用新型分子材料设计方案

Jaguar

量子力学(QM) 用于快速、准确预测分子结构和性质的解决方案

Desmond

高性能的分子动力学 (MD) (MD)引擎,具备高可扩展性、高吞吐量和科学精度

MS Mobility

有机半导体固态薄膜中电荷迁移率的原子级模拟 与分析

OPLS4 和 OPLS5 力场

一个用于精确分子模拟的现代化、综合性力场

DeepAutoQSAR

用于预测性机器学习(ML) 模型训练和应用的自动化、可扩展解决方案

LiveDesign

您的全方位数字分子设计实验室

出版物

浏览采用Schrödinger 技术、发表在相关应用领域的经同行评审的出版物列表。

材料科学 出版物

基于分层变分自编码器、高斯混合回归和贝叶斯方法的低重组能有机半导体数据驱动设计优化

材料科学 出版物

利用MPNICE机器学习力场对大规模光电子材料进行数字探索

材料科学 出版物

通过数据增强对复杂接口的神经网络势能进行可扩展训练

材料科学 出版物

带隙 通过整合机器学习(ML) 和密度泛函理论对导电聚合物的重排能进行预测

材料科学 出版物

印烯卡巴唑–三嗪双极宿主共聚物对溶液加工型OLED中电荷传输的调控

材料科学 出版物

提升深蓝色OLED的效率:探索基于机器学习(ML)的多共振TADF分子设计

材料科学 出版物

探索低粘度分子:利用基于物理理论 模拟和从头设计 ,并应用强化学习

材料科学 出版物

一种基于机器学习(ML) 方法的计算机模拟预测,用于基于无掺杂空穴传输材料的钙钛矿太阳能电池的光伏性能预测

材料科学 出版物

四齿铂(II)配合物中的改性叔丁基使蓝光磷光有机发光二极管具有超长的发光寿命

材料科学 出版物

对电荷转移型有机分子中复杂自旋上转换过程的理解

满足您组织需求的软件和服务

软件平台

借助基于基于物理理论 分子建模 、机器学习(ML) 以及团队协作功能的全面且易于使用的平台,部署数字资料发现工作流。

研究服务

借助Schrödinger的专业计算科学家团队,在您材料发现与开发过程的关键阶段提供支持。

支持与培训

获取专为新手和资深用户量身定制的专家支持、教育资料和培训资源。