論文の概要: Analyzing dynamical disorder for charge transport in organic
semiconductors via machine learning
- arxiv url: http://arxiv.org/abs/2102.01479v1
- Date: Tue, 2 Feb 2021 13:08:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-04 09:49:29.534191
- Title: Analyzing dynamical disorder for charge transport in organic
semiconductors via machine learning
- Title（参考訳）: 機械学習による有機半導体の電荷輸送の動的障害解析
- Authors: Patrick Reiser, Manuel Konrad, Artem Fediai, Salvador L\'eon, Wolfgang
Wenzel and Pascal Friederich
- Abstract要約: 有機半導体は、有機発光ダイオード(有機発光ダイオード)などの形で今日のディスプレイ技術に欠かせない。
しかし、有機材料は無機半導体と同じ電荷担体モビリティに到達せず、装置の効率を制限している。
荷電担体移動度の高い新しい有機半導体を発見または設計するためには、計算アプローチがますます重要になっている。
- 参考スコア（独自算出の注目度）: 1.2233362977312945
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Organic semiconductors are indispensable for today's display technologies in
form of organic light emitting diodes (OLEDs) and further optoelectronic
applications. However, organic materials do not reach the same charge carrier
mobility as inorganic semiconductors, limiting the efficiency of devices. To
find or even design new organic semiconductors with higher charge carrier
mobility, computational approaches, in particular multiscale models, are
becoming increasingly important. However, such models are computationally very
costly, especially when large systems and long time scales are required, which
is the case to compute static and dynamic energy disorder, i.e. dominant factor
to determine charge transport. Here we overcome this drawback by integrating
machine learning models into multiscale simulations. This allows us to obtain
unprecedented insight into relevant microscopic materials properties, in
particular static and dynamic disorder contributions for a series of
application-relevant molecules. We find that static disorder and thus the
distribution of shallow traps is highly asymmetrical for many materials,
impacting widely considered Gaussian disorder models. We furthermore analyse
characteristic energy level fluctuation times and compare them to typical
hopping rates to evaluate the importance of dynamic disorder for charge
transport. We hope that our findings will significantly improve the accuracy of
computational methods used to predict application relevant materials properties
of organic semiconductors, and thus make these methods applicable for virtual
materials design.
- Abstract（参考訳）: 有機半導体は有機発光ダイオード(oled)や光電子応用といった今日のディスプレイ技術にとって不可欠である。
しかし、有機材料は無機半導体と同じ電荷担体モビリティに到達せず、装置の効率を制限している。
より高い電荷キャリア移動度を持つ新しい有機半導体を発見または設計するためには、計算アプローチ、特にマルチスケールモデルがますます重要になっている。
しかし、そのようなモデルは計算コストが非常に高く、特に大規模システムや長時間のスケールが必要な場合、静的エネルギーや動的エネルギー障害を計算する場合である。
電荷輸送を決定する主要な要因。
ここでは、機械学習モデルをマルチスケールシミュレーションに統合することで、この欠点を克服する。
これにより、関連する微視的材料特性、特に一連の応用関連分子に対する静的および動的障害寄与に関する前例のない洞察を得ることができます。
静的な障害や浅いトラップの分布は、多くの材料に対して非常に非対称であり、ガウス的障害モデルに影響を与えている。
さらに, エネルギー準位変動時間の解析を行い, 典型的ホッピング速度と比較し, 電荷輸送における動的障害の重要性を評価する。
我々は,有機半導体の応用材料特性の予測に使用する計算手法の精度を大幅に向上し,仮想材料設計にこれらの手法を適用することを期待する。
関連論文リスト
- Modeling Dislocation Dynamics Data Using Semantic Web Technologies [0.0]
広く研究されている重要な材料は、金属や半導体を含む結晶材料である。
転位は強度、骨折、延性など様々な材料特性に影響を与える。
本稿では, 転位力学シミュレーションから得られたデータをWeb技術を用いてモデル化する方法について述べる。
論文 参考訳（メタデータ） (2023-09-13T13:03:44Z) - CHGNet: Pretrained universal neural network potential for
charge-informed atomistic modeling [0.6860131654491484]
新たな機械学習原子間ポテンシャル(MLIP)としてCrystal Hamiltonian Graph Neural Network(CHGNet)を提案する。
CHGNetは、Material Project Trajectoryデータセットのエネルギー、力、応力、磁気モーメントに基づいて事前訓練されている。
従来のMLIPでは観測できない電子自由度を付加したイオン系に関する新たな知見を提供する。
論文 参考訳（メタデータ） (2023-02-28T01:30:06Z) - A derivation of the conditions under which bosonic operators exactly
capture fermionic structure and dynamics [0.0]
多体フェルミオン系の力学は、電気化学表面での触媒反応からナノ接合の輸送までの問題において重要である。
ここでは、フェルミオン作用素がボゾン作用素に完全に置き換えられる条件の集合を導出する。
我々の研究は、多電子系の力学をシミュレートするためにボソニックマップの単純さをいつ活用できるかという新たな洞察を提供する。
論文 参考訳（メタデータ） (2022-12-14T03:39:15Z) - Human Biophysics as Network Weights: Conditional Generative Models for
Dynamic Simulation [59.694872114852835]
本稿では,条件付き生成モデルを用いて数値モデル状態間を補間するアーキテクチャを提案する。
我々は,特定の生体物理系の高精度,超高速,任意に高時間分解能シミュレーションを可能にするハイブリッド構造生成モデルであるBioMimeを提案する。
論文 参考訳（メタデータ） (2022-11-03T14:49:02Z) - Driving Force and Nonequilibrium Vibronic Dynamics in Charge Separation
of Strongly Bound Electron-Hole Pairs [59.94347858883343]
本研究では,1,2,3次元ドナー・アクセプタネットワークにおける電荷分離のダイナミクスについて検討する。
これにより、過度な振動運動が効率的な長距離電荷分離を誘導する正確な条件を特定できる。
論文 参考訳（メタデータ） (2022-05-11T17:51:21Z) - Simulating challenging correlated molecules and materials on the
Sycamore quantum processor [0.0]
複雑な分子や物質をシミュレーションすることは、量子デバイスに期待される応用である。
超伝導量子プロセッサ上での静的および動的電子構造をシミュレートする。
我々の研究は、量子優位性の人工的な測度を物理的に関連する設定に変換するのに役立ちます。
論文 参考訳（メタデータ） (2022-03-29T07:11:40Z) - TOF-SIMS Analysis of Decoherence Sources in Nb Superconducting
Resonators [48.7576911714538]
超伝導量子ビットは、潜在的に基盤となるプラットフォーム技術として出現している。
材料品質と界面構造は、デバイスの性能を抑え続けている。
薄膜および隣接領域の2レベル系欠陥はノイズを導入し、電磁エネルギーを散逸させる。
論文 参考訳（メタデータ） (2021-08-30T22:22:47Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳（メタデータ） (2021-06-24T15:58:57Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳（メタデータ） (2021-06-08T10:14:57Z) - Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。
モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。
その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文 参考訳（メタデータ） (2020-05-27T13:32:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。