机器学习可以帮助科学家发明柔性电子产品。

如果只有更好的方法来控制电子结构，有机电子产品可以允许公司打印像纸这样的电子产品，或者将它们整合到衣服中，为可穿戴电子产品提供动力。

为了帮助解决这一挑战，芝加哥大学分子工程研究所的博士后Nick Jackson开发了一种利用机器学习创建分子模型的更快方法。这些模型极大地加速了电子产品中潜在的新型有机材料的筛选，并且在材料科学研究的其他领域也可能有用。

许多人认为有机电子有潜力以其高成本效率和多功能性革新技术，但目前用于生产这些材料的制造工艺是敏感的，内部结构是极其复杂的。这使得科学家很难根据制造条件预测材料的最终结构和效率。

杰克逊在芝加哥大学分子工程的Liew家庭教授Juan de Pablo的领导下接受任命后不久，他就有了用机器学习来解决这些问题的想法。他使用这种技术——一种训练计算机学习模式的方法，而不需要明确编程来帮助预测分子将如何组装。

许多有机电子材料是通过一种叫做气相沉积的技术制造的。在这个过程中，科学家蒸发了一个有机分子，让它慢慢凝结在表面，形成一层薄膜。通过控制某些沉积条件，科学家们可以很好地调整分子在薄膜中的堆积方式。

“这有点像俄罗斯方块的游戏，”杰克逊说，她是阿贡国家实验室的玛丽亚·戈佩特·梅耶研究员。分子可以以不同的方式定向，我们的研究目的是确定这种结构如何影响材料的电子性质。

膜中分子的堆积会影响材料的电荷迁移率，这是一个衡量电荷在其中移动的容易程度的指标。电荷迁移率对作为器件的材料的效率起到了作用。为了优化这一过程，该团队与阿贡领导力计算设施的科学家Venkatram Vishwanth合作，对气相沉积过程进行了极其详细的计算机模拟。

WPA6022602IMG

杰克逊说：“我们有一些模型可以模拟每个分子周围所有电子在纳米尺度和时间尺度下的行为，但这些模型的计算量很大，因此运行起来需要很长时间。”

为了模拟整个装置，通常含有数百万个分子，科学家必须开发出“更粗糙”的模型。使计算成本更低的一种方法是收回在这种情况下模拟的详细程度，在分子组中建模电子，而不是单独建模。这些粗糙模型可以将计算时间从几小时缩短到几分钟，但挑战在于确保粗糙模型能够真实地预测物理结果。

这就是机器学习的切入点。利用人工神经网络，机器学习算法学习从粗模型外推到更详细的模型，训练自己使用粗模型作为详细模型得到相同的结果。

由此产生的粗糙模型使科学家能够比以前筛选出更多、更多的安排，最多可以多出2到3个数量级。有了这些预测，实验人员就可以在实验室里对它们进行测试，更快地开发出新的材料。

材料科学家以前使用机器学习来发现分子结构和设备性能之间的关系，但杰克逊的方法是独特的，因为它旨在通过增强不同长度和时间尺度的模型之间的相互作用来实现这一点。

虽然本研究的目标是筛选气相沉积的有机电子学，但它在许多聚合物研究，甚至在蛋白质科学等领域都有潜在的应用前景。他补充道：“任何你试图在精细和粗糙模型之间插入的东西。”

引文：“监督机器学习中粗粒度分辨率下的电子结构”，Jackson等人，科学进展，2019年3月22日。doi:10.1126/sciadv.aav1190

资助：美国能源部阿贡实验室指导的研究与开发

3月22日，《科学进展》杂志发表了一篇描述杰克逊方法的论文，题为“监控机器学习的粗粒度分辨率电子结构”。WPA60601BR