ИИ помог найти материалы для синих OLED нового поколения: яркие, эффективные и доступные

Искусственный интеллект помог ученым найти новые материалы для создания синих органических светодиодов (OLED), которые обещают быть более яркими, эффективными и доступными. Исследователи из Нагойского университета в Японии применили машинное обучение для поиска соединений, способных решить давнюю проблему синих пикселей — самого слабого звена в OLED-дисплеях. Из-за высокой энергии возбуждения синие светодиоды быстрее деградируют и менее эффективны по сравнению с красными и зелеными аналогами. Новый подход на основе ИИ позволил значительно сократить время и стоимость поиска перспективных материалов, открывая путь к более долговечным и ярким экранам.

Как ИИ помог найти материалы для синих OLED

Команда под руководством профессора Хироюки Ёсиды разработала модель машинного обучения, которая анализировала химические структуры и предсказывала их свойства для использования в синих OLED. Вместо того чтобы проводить дорогостоящие и длительные квантово-химические расчеты для каждого потенциального материала, ИИ обучили на наборе известных данных об органических полупроводниках. Модель смогла быстро отсеять неподходящие соединения и предложить несколько кандидатов с оптимальными характеристиками. Это позволило исследователям сосредоточиться на наиболее перспективных веществах, экономя время и ресурсы.

Предыстория и контекст

Синие OLED всегда были узким местом в технологии дисплеев. Красные и зеленые светодиоды на органических материалах достигли высокой эффективности и срока службы, но синие требуют более высокой энергии для излучения света, что приводит к повышенному нагреву и ускоренному износу. Производители, такие как Samsung и LG, десятилетиями искали способы улучшить синие субпиксели, используя различные легирующие примеси и новые структуры. Однако большинство найденных решений либо слишком дороги, либо недостаточно стабильны. Проблема усугубляется тем, что синие OLED часто имеют более низкий квантовый выход и быстрее теряют яркость со временем. Поэтому открытие новых материалов, способных конкурировать с существующими коммерческими образцами, имеет огромное значение для индустрии.

Чем отличается новый метод от традиционного поиска?

Традиционно исследователи синтезируют и тестируют сотни или тысячи соединений, что требует месяцев работы и значительных ресурсов. Машинное обучение позволяет виртуально просеять миллионы возможных структур за считанные дни, предсказывая их фотофизические свойства, такие как энергия возбуждения, квантовый выход и стабильность. Это не только ускоряет открытие, но и снижает затраты на лабораторные эксперименты. В данном случае ИИ проанализировал огромные базы данных химических соединений и выбрал те, которые с наибольшей вероятностью будут эффективны в синих OLED. Такой подход может быть применен и к другим областям материаловедения, где поиск новых веществ традиционно занимает много времени.

Технические подробности открытия

Модель машинного обучения, использованная в исследовании, была обучена на базе данных из более чем 10 000 известных органических соединений, для которых были известны экспериментальные значения энергии синглетного и триплетного состояний. ИИ предсказывал разницу между этими энергиями — ключевой параметр для эффективной генерации синего света. Из нескольких сотен кандидатов, отобранных алгоритмом, исследователи синтезировали и протестировали 10 соединений. Одно из них, производное карбазола, показало особенно высокую эффективность и стабильность, сравнимую с лучшими коммерческими образцами. Это соединение продемонстрировало низкую энергию возбуждения и высокий квантовый выход, что делает его перспективным для использования в дисплеях нового поколения.

Кого затронет и как

Новые материалы могут быть использованы производителями дисплеев для создания более ярких и долговечных экранов с меньшим энергопотреблением. Это особенно актуально для смартфонов, телевизоров и носимых устройств, где синие пиксели часто выходят из строя первыми. Российские и мировые компании, занимающиеся органической электроникой, могут получить доступ к более дешевым и эффективным компонентам, что ускорит развитие OLED-технологий в целом. Потребители выиграют от улучшенного качества изображения и более длительного срока службы устройств. Кроме того, снижение стоимости производства может сделать OLED-дисплеи более доступными для широкого круга пользователей.

Что будет дальше

Ученые планируют продолжить оптимизацию найденных материалов и провести их долгосрочные испытания на стабильность. В перспективе метод машинного обучения может быть применен для поиска материалов и для других цветов OLED, а также для органических солнечных батарей и фотодетекторов. Коммерциализация новых синих OLED может занять от двух до пяти лет, но уже сейчас ясно, что ИИ способен значительно ускорить открытие функциональных материалов. Исследователи также надеются, что их подход будет использован другими группами для решения аналогичных задач в области органической электроники.

Итог

Искусственный интеллект в очередной раз доказал свою эффективность в материаловедении, найдя перспективные соединения для синих OLED. Это открытие может привести к появлению более доступных и долговечных дисплеев, что выгодно и производителям, и потребителям. Следите за новостями — возможно, уже через несколько лет синие пиксели перестанут быть слабым звеном. Благодаря машинному обучению, процесс поиска новых материалов становится быстрее и дешевле, открывая новые возможности для развития технологий отображения информации.