Computation of inverted singlet-triplet energy gaps by machine learning enhanced computational chemistry methodologies

Ce projet est axé sur l’amélioration de la conception des matériaux, en particulier pour des applications telles que les diodes électroluminescentes organiques (OLED). Des modèles d’apprentissage automatique modernes et des méthodologies spécialisées en chimie quantique sont utilisés pour enquêter systématiquement sur ces matériaux. L’initiative consiste à établir un ensemble de données complet issu d’une sélection minutieuse de matériaux connus, servant de base à la formation de modèles avancés d’apprentissage automatique. Cette approche accélère l’identification de matériaux présentant des applications prometteuses pour les OLED et optimise les routines de simulation en chimie quantique existantes, réduisant ainsi les coûts computationnels. De plus, les méthodologies développées sont conçues pour s’étendre au-delà des OLED, contribuant à l’étude efficace de matériaux divers, tels que ceux utilisés dans les panneaux solaires. L’objectif principal est de rationaliser et d’améliorer le processus de conception des matériaux, favorisant l’efficacité et l’applicabilité dans divers domaines.

Faculty Supervisor:

Rodrigo A. Vargas-Hernández

Student:

Partner:

Universidad Nacional Autónoma de México

Discipline:

Physics

Sector:

Education

University:

McMaster University

Program: