End-to-End Machine Learning für Vorhersagen von Ladungstransport in heterogenen Energielandschaften optoelektronischer Materialien

• Antragsteller: Professor Dr. David Egger
• Fachliche Zuordnung: Theoretische Chemie: Elektronenstruktur, Dynamik, Simulation
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 550206961

In diesem Projekt sollen Verfahren zur theoretischen Vorhersage des Ladungstransports in heterogenen optoelektronischen Materialien entwickelt werden. Für geordnete und perfekte Materialsysteme sind entsprechende Methoden bereits etabliert, allerdings lässt sich der Ladungstransport in weichen optoelektronischen Materialien damit nur unzureichend genau bestimmen. Diese sind nämlich von weit ausgelenkten, anharmonischen Schwingungen ihrer Atome oder Moleküle geprägt, welche mit wichtigen nicht-lokalen Effekten des Gitters und elektronischen Struktur des Materials, wie beispielsweise dispersiven Vielteilchenwechselwirkungen oder intermolekularen Kopplungen, einhergehen. Theoretische Berechnungen derartiger Szenarien sind ein schwieriges Multiskalenproblem, welches zwar ansatzweise bereits untersucht wurde, was jedoch aufgrund aufwändiger Parametrisierungen und Berechnungen nur für wenige Spezialfälle gelungen ist. Folglich bleiben weitere zentrale Aspekte des Einflusses von Heterogenität in Materialien, welche von Defekten oder Grenzflächen herrühren, für die theoretische Modellierung weitgehend unzugänglich. Das zentrale Ziel unseres Projekts sind akkurate Methoden des Machine Learnings für aussagekräftige Ladungstransportberechnungen in heterogenenen optoelektronischen Materialien. Machine Learning hat bereits zu beschleunigten und verbesserten Verfahren der theoretischen Materialcharakterisierung geführt und ist für verschiedene Aspekte des Ladungstransports, unter anderem durch effiziente Molekulardynamik mit ab-initio Genauigkeit, von Bedeutung. Hingegen existiert kein universelles Machine-Learning-Verfahren, welches den Ladungstransport in heterogenen Materialien ganzheitlich beschreibt, was wir als wichtige Lücke im Bereich der Materialmodellierung auffassen. Um diese zu schließen schlagen wir vor, ein allgemeines Verfahren zu entwickeln, welches die verschiedenen theoretischen Ebenen nahtlos miteinander verknüpft um strukturelle, elektronische, nicht-adiabatische und Transporteigenschaften optoelektronischer Materialien zu berechnen. Unsere komplementäre Expertise ermöglicht es uns dieses Ziel zu erreichen, indem wir aktuelle Methoden der Materialmodellierung mit modernen Verfahren des Machine Learnings verbinden. Damit werden wir wichtige theoretische Problemstellungen in Angriff nehmen, wie zum Beispiel den Einfluss komplexer dynamischer Effekte auf die Ladungsträgermobilität in defektreichen Materialien zu quantifizieren. CLARINET konzentriert sich dabei auf wohldefinierte organische und molekulare Materialien sowie deren struktureller Heterogenitäten, also Defekten, Kornzgrenzen und Grenzflächen. Unser endgültiges Ziel ist das Erstellen einer „End-to-End“ Machine Learning Methode, welche die Vorhersage spektroskopischer und dynamischer Transporteigenschaften erlauben wird. Die Implementierung und Anwendung unserer Verfahren ist ein wichtiger Schritt auf dem Weg zur robusten und effizienten theoretischen Materialmodellierung.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Belgien, Luxemburg
• Partnerorganisation: Fonds National de la Recherche; Fonds National de la Recherche Scientifique - FNRS
• Kooperationspartner: Professor Dr. David Jacques Beljonne; Professor Dr. Alexandre Tkatchenko