اصول پلیمرهای هدایت کننده

مواد شفاف و رسانا برای دستگاه های مدرن الکترونیک ضروری هستند.Indium قلع اکسید (ITO) این فضا را برای دهه ها تحت سلطه قرار داده است، اما شکننده بودن، کمبود و هزینه های پردازش بالا به طور معمول جستجوی جایگزین های الکتریکی را افزایش می دهد - هدایت پلیمر ها را به عنوان پلی (poly، اتیلنdioxythiophene) (PEDOT)، پلیانی (PANIpy)، و ارائه دادن مواد شیمیایی ساده به دلیل انعطاف پذیری های سیم کشی، و ساده سازی ساده آن، به آنها، اجازه می دهد.

نقش استراتژی های محاسباتی در طراحی مواد

توسعه تجربی پلیمرهای رسانا اغلب منابع فشرده است، نیاز به بسیاری از مراحل سنتز و شخصیت سازی. استراتژی های محاسباتی تغییر پارادایم از آزمون و تروریسم به طراحی منطقی است. با شبیه سازی رفتار مولکولی و ساختارهای الکترونیکی در مقیاس های مختلف، محققان می توانند از پیش صفحه پلیمر، شناسایی غلظت های بهینه، و پیش بینی پویایی فیلم.این رویکرد نه تنها صرفه جویی در مواد زمان و همچنین مکانیسم های شبیه سازی دقیق برای نمونه های سنتز دستگاه های تست، می تواند به عنوان نمونه های برشی طراحی شده، به عنوان نمونه های برشی، به عنوان نمونه های برشی، به عنوان نمونه های سنتز دقیق، به عنوان نمونه های سنتز دقیق، به عنوان نمونه های سنتز پلیمر، شناسایی پلیمر، به نمونه های سنتز دقیق، شناسایی پلیمر، شناسایی پلیمر، شناسایی پلیمر، شناسایی پلیمر، شناسایی پلیمر، غلظت های سنتز دقیق، شناسایی دقیق، شناسایی پلیمر، شناسایی پلیمر، شناسایی دقیق، شناسایی غلظت های سنتز دقیق، شناسایی دقیق تر، شناسایی پلیمر، شناسایی غلظت های سنتز دقیق، شناسایی دقیق، شناسایی دقیق، غلظت های سنتز نمونه های سنتز نمونه های سنتز نمونه های سنتز نمونه های سنتز نمونه های سنتز نمونه های سنتز نمونه های سنتز دقیق، غلظت بهینه، شناسایی دقیق، شناسایی غلظت بهینه، شناسایی دقیق، شناسایی دقیق، شناسایی غلظت بهینه، شناسایی غلظت بهینه، شناسایی غلظت بهینه،

[[۱] [۱۰] [[۱۰]] [[۱۰]] [[۱]]] [[۱]]] [[۱]]] [[۳]]] [۱] [۱] [۱] [۱]] [۱] [۱] [۳] [۱] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۱] [۱] [۳] [۳] [۳] [۱] [۱] [۱] [۱] [۱] [۳] [۳] [۳] [۳] [۱] [۱] [۱] [۳] [۳] [۱] [۳] [۱] [۱] [۳] [۱] [۳] [۳] [۱] [۱] [۳] [۳] [۳] [۱] [۳] [۱] [۱] [۳] [۱] [۱] [۱] [۱] [۱] [۳] [۳] [۳] [۱] [۳] [۳] [۱] [۱] [۱] [۱] [

تکنیک های محاسباتی کلیدی

تئوری عملکردی (DFT)

DFT اسب کار برای پیش بینی ساختارهای الکترونیکی و خواص پلیمرهای وابسته به رسانای است. چگالی الکترون زمین- ایالتی یک سیستم را محاسبه می کند که از آن پارامترهایی مانند شکاف گروه، پتانسیل یونیزاسیون، وضوح الکترون و کارایی بیشتر می تواند به شناسایی ستون فقرات پلیمری که به طور ذاتی شکاف های باند کوچک دارند، که برای هر دو جهت گیری و حداکثر وضوح قابل مشاهده در محدوده زمانی (به عنوان مثال، استفاده از فرکانس های الکتریکی).

شبیه سازی مولکولی دینامیک (MD)

در حالی که DFT در خواص الکترونیکی سیستم های کوچک برتری دارد، شبیه سازی های MD، تکامل ساختاری و مورفولوژی فیلم از گروه های پلیمر بزرگتر را در طول زمان ضبط می کند.با استفاده از میدان های نیروی کلاسیک (به عنوان مثال، OPLS، GAFF)، MD می تواند شبیه سازی کند که چگونه زنجیره های پلیمر بسته بندی، هم تراز، و شکل فیلم نازک در طول چرخش یا فرایندهای خروجی کلیدی شامل پروفایل های تراکم شعاعی، توابع، و شبیه سازی دقیق تر است که مولکول های انتقال پلیمر را نشان می دهد.

منابع خارجی: برای مثال از MD اعمال شده به PEDOT:PSS مورفولوژی، ببینید فیزیک شیمیایی شیمیایی فیزیکی .

مکانیک کوانتومی / مکانیک مولکولی (QM /MM)

روش های QM /MM شکاف بین دقت کوانتومی و مقیاس پذیری کلاسیک را هماهنگ می کنند، آنها یک منطقه کوچک از منافع را درمان می کنند (به عنوان مثال، یک حامل شارژ یا یک سایت واکنش) با دقت بالا ابزار کوانتومی، در حالی که ماتریس اطراف پلیمر با یک میدان عملکرد کلاسیک مدل شده است، این رویکرد به ویژه برای اتصال حمل و نقل در فیلم های پلیمری قدرتمند مفید است، که در آن حالت های محلی و مکانیسم های برش، می تواند با استفاده از مواد تشکیل دهنده و انتقال آن، و یا پارامترهای میکروارگانیسم ها، تنظیم مجدد، و انتقال آن، و انتقال دستگاه، و انتقال مجدد، و انتقال آن، و انتقال آن را فراهم کند.

یادگیری ماشین (ML) و رویکرد های مبتنی بر داده

رشد انفجاری داده های مواد محاسباتی باعث شده است که ماشین یک ابزار ضروری برای طراحی پلیمر رسانای را یاد بگیرد. مدل های ML می توانند خواص کلیدی مانند هدایت، شفافیت و انعطاف پذیری مکانیکی از توصیف کننده های مولکولی ساده یا نمایندگی های مبتنی بر گراف از ساختارهای پلیمری را پیش بینی کنند - با آموزش داده های تولید شده از DFT یا شبیه سازی های MD، مدل های ML می توانند به سرعت هزاران رابطه از پلیمر را نشان دهند، شناسایی امیدوار کننده های یادگیری دقیق تر و بهینه سازی دقیق تر از طریق بهینه سازی دقیق تر استفاده کنند.

منابع خارجی: دیدگاه اخیر در ML برای کشف پلیمر در دسترس است مواد طبیعت بررسی .

ادغام رویکرد های محاسباتی و تجربی

موثرترین استراتژی ها برای توسعه پلیمر های رسانای شفاف شامل ادغام دقیق پیش بینی های محاسباتی با اعتبار تجربی است. مدل های محاسباتی کامل نیستند؛ آنها به تقریب ها متکی هستند و ممکن است پدیده های فیزیکی مانند نقص های مورفولوژیک یا اختلال پردازش القا شده را تسریع کنند، بنابراین یک گردش کار حلقه بسته ایده آل است: غربالگری پیشنهاد می کند که پلیمر ها، که سپس سنتز و مشخص کردن داده های تجربی به دقت محاسباتی (برای مثال بهینه سازی دقیق و قابل اعتماد کردن تصاویر).

برنامه های کاربردی از Computationally designe پلیمرs

پلیمر های رسانای شفاف که با طراحی محاسباتی تقویت شده اند، در طیف وسیعی از دستگاه ها استفاده می کنند.در فتوولتائیک های آلی (OPVs)، آنها به عنوان الکترودهای شفاف برای استخراج شارژ عمل می کنند، اغلب جایگزین شبیه سازی های ITO کمک می کند تا عملکرد و تراز انرژی را با استفاده از اتصال به حداقل رساندن مقاومت در دیودهای نور ارگانیک (OLED)، طراحی محاسباتی تضمین می کند که الکترودهای با استفاده از نور مکانیکی را حفظ می کند و تنظیم می تواند مقاومت های انعطاف پذیر را در برابر کند.

چالش های مدل سازی محاسباتی پلیمرهای هدایت کننده

علی رغم قدرت روش های محاسباتی، چندین چالش باقی می مانند، مدل سازی دقیق اختلال ذاتی فیلم های پلیمری دشوار است. پلیمر ها معمولا در یک حالت نیمه کریستالی با مناطق بی نظیر وجود دارند و حمل و نقل با دقت بالا به ترکیبات زنجیره ای ثانویه حساس هستند و تکرار مورفولوژی واقعی در مقیاس مربوط به شبیه سازی دستگاه (میکرومتر) نیاز به منابع محاسباتی ثانویه دارد، بسیاری از زمینه های اتصال به مولکول های خاص پردازش می شود و یا مولکول های انتقال شیمیایی خاصی را به خوبی پردازش می کنند.

مسیر های آینده و روند نوظهور

آینده طراحی محاسباتی برای پلیمر های شفاف رفتاری در مدل سازی چند مقیاسی است که به طور یکپارچه کوانتومی، اتمی، mesoscale و شبیه سازی های پیوسته را به هم متصل می کند که DFT را برای خواص الکترونیکی، MD برای مورفولوژی نزدیک، هدایت مونت کارلو برای حمل و نقل شارژ، و روش های عنصر محدود برای عملکرد دستگاه توسعه ماشین به طور کامل امیدوار کننده یک سیستم محاسباتی جدید است (انتظار می رود که مدل های پردازش دقیق تر از طریق پردازش دقیق تر استفاده کنند).

[[۱] [۱۰] [۱۰] [۱۰] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱۰] [۱] [۳] [۱] [۳] [۳] [۱] [۱] [۱] [۳] [۱] [۳] [۳] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۳] [۱] [۱] [۳] [۱] [۳] [۱] [۱] [۳] [۱] [۱] [۱] [۱] [۳] [۱] [۱] [۳] [۱] [۱] [۳] [۱] [۱] [۱] [۱] [۱] [۳] [۳] [۳] [۱] [۱] [۳] [۱] [۱] [۱] [۱]

به طور خلاصه، استراتژی های محاسباتی در تلاش برای پلیمرهای بهتر هدایت پذیر ضروری شده اند.با استفاده از DFT، MD، QM /MM و یادگیری ماشین، محققان می توانند مناظر پیچیده اموال این مواد را هدایت کنند و سرعت استقرار خود را در نسل بعدی الکترونیک ادامه دهند. ادامه توسعه روش ها و ادغام با آزمایشات تنها تاثیر آنها را تقویت می کند.