美國康乃迪克大學(University of Connecticut)的研究人員採用以機器學習取代反覆試驗(trial-and-error)的研究途徑，成功開發出新的有機電子材料，目前該研究的成果已經開始應用在公共領域，並積極體現美國總統歐巴馬親自宣示「材料基因組啟動計劃」(Materials Genome Initiative；MGI)的精神。。

美國總統歐巴馬針對MGI計劃視察可用於製造節能螢光燈管燈泡的新材料
（來源：MGI）

事實上，電子材料中並沒有基因組(特定生物體的完整基因組)，這只是一種比喻：MGI致力於預測使用量子力學的材料特性，並在電腦上進行模擬。透過這種方法，康乃迪克大學採用機器學習演算法發現了有機電子(聚合物)的特性，成功掌握了控制聚合物介電常數擊穿的特殊原則，因而能由其原子結構中準確地預測其能隙與介電常數。

「我們使用以相似性為基礎的學習演算法——有點像是迴歸(regressionn)分析，比較了類似的情況，並精確估計出一種新材料的電特性，」康乃迪克大學材料科學家Ramamurthy Ramprasad表示，「最後，我們還由其組成中成功預測到這種新式有機聚合物的電子特性。」

機器學習揭開有機電子基因組新材料應用的奧秘
（來源：Kim, Ramprasad Lab/UConnUniversity of Connecticut）

該學習演算法——建置於其線上工具Khazana(發掘深藏的寶藏)，目前已經提交至公共領域，讓每一位工程師都能免費使用。

工作原理

Ramprasad花費許多時間在電腦上執行聚合物的量子級模擬，以確定其能隙與介電常數的理論值，並選擇電子聚合物最常用的建構模組，搭配使用自有的機器學習演算法，共同組合成為283種具代表性的候選方案。

聚合物是由一連串重複的建構模組所組成的，有點像是一個人的基因組。藉由使其不斷精簡成為最常見的有機聚合物序列，Ramprasad已能僅用CH2、C6H4、CO、O、NH、CS與C4H2S等7種建構模組涵蓋大部份的聚合物世界。

透過機器學習得以瞭解不同原子建構模組的特性，並準確預測聚合物的能隙和介電常數
（來源：Kim, Ramprasad Lab/UConnUniversity of Connecticut）

首先，他們利用耗時的量子力學計算法，分析使用這些建構模組的283種聚合物，然後再用機器學習量化這些聚合物的原子級配置，將其分類為特性相似的群組。然後再建構免費的線上計劃——採用Khazana由其配方預測聚合物的電子特性，或從理想的電子特性預測聚合物配方。

「最後，我們成功地預測了聚合物的電子特性，或具有理想電子特性組合的聚合物，」Ramprasad解釋。

在此處的「聚?」(Polyurea)中，N是指氮、H是氫、O是氧，而R則表示任意數量的化學物質，彼此間的聚合物結構可能略有變化，但都具有不斷重複的NH-O-NH-O基本結構。大部份的聚合物主要是由碳(C)、氫、氮與氧以及些許其他元素共同組成
（來源：Yikrazuul, public domain）

Ramprasad以聚合物的配方將其分成三大群組，首先是單一元件，其次是配對元件，最後則是每一配方中包含的三項元件組合。他並為在太陽能電池、雷射與LED中常見的鈣鈦礦能隙執行類似的預測引擎。

接下來，Ramprasad打算將純有機聚合物擴展到有機金屬(具無機模組的聚合物)等更廣泛的材料範圍，以及添加其他的電子材料特性——擊穿電壓(在絕緣體開始穿隧)，目標在於實現美國總統歐巴馬解碼材料基因組的夢想。

編譯：Susan Hong

(參考原文：Decoding Electronic Materials Genome，by R. Colin Johnson)

活動簡介

未來寬能隙半導體元件會在哪些應用成為主流？元件供應商又會開發出哪些新的應用寬能隙元件的電路架構，以協助電力系統開發商進一步簡化設計複雜度、提升系統整體效率？TechTaipei「寬能隙元件市場與技術發展研討會」將邀請寬能隙半導體的關鍵供應商一一為與會者解惑。

贊助廠商

立即報名