Kemisk datamining øger søgen efter nye organiske halvledere

Organiske halvledere er lette, fleksibel og nem at fremstille. Men de lever ofte ikke op til forventningerne til effektivitet og stabilitet. Forskere ved det tekniske universitet i München (TUM) implementerer nu data mining-tilgange til at identificere lovende organiske forbindelser til fremtidens elektronik.

At producere traditionelle solceller lavet af silicium er meget energikrævende. Oven i købet, de er stive og skøre. Organiske halvledermaterialer, på den anden side, er fleksible og lette. De ville være et lovende alternativ, hvis blot deres effektivitet og stabilitet var på niveau med traditionelle celler.

Sammen med sit team, Karsten Reuter, Professor i teoretisk kemi ved det tekniske universitet i München, leder efter nye stoffer til solcelleapplikationer, samt til skærme og lysdioder - OLED'er. Forskerne har rettet blikket mod organiske forbindelser, der bygger på rammer af kulstofatomer.

Udfordrer til morgendagens elektronik

Afhængigt af deres struktur og sammensætning, disse molekyler, og materialerne dannet af dem, vise en bred vifte af fysiske egenskaber, leverer et væld af lovende kandidater til fremtidens elektronik.

"Til dato, et stort problem har været at spore dem:Det tager uger til måneder at syntetisere, teste og optimere nye materialer i laboratoriet, " siger Reuter. "Ved at bruge computerscreening, vi kan accelerere denne proces enormt."

Computere i stedet for reagensglas

Forskeren behøver hverken reagensglas eller Bunsen-brændere for at søge efter lovende organiske halvledere. Ved hjælp af en kraftfuld computer, han og hans team analyserer eksisterende databaser. Denne virtuelle søgen efter relationer og mønstre er kendt som data mining.

"At vide, hvad du leder efter, er afgørende i data mining, " siger PD Dr. Harald Oberhofer, hvem leder projektet. "I vores tilfælde, det er elektrisk ledningsevne. Høj ledningsevne sikrer, for eksempel, at der flyder meget strøm i solcelleceller, når sollys exciterer molekylerne."

Algoritmer identificerer nøgleparametre

Ved at bruge sine algoritmer, han kan søge efter meget specifikke fysiske parametre:En vigtig er, for eksempel, "koblingsparameteren". Jo større den er, jo hurtigere elektroner bevæger sig fra et molekyle til det næste.

En yderligere parameter er "reorganiseringsenergien":Den definerer, hvor dyrt det er for et molekyle at tilpasse sin struktur til den nye ladning efter en ladningsoverførsel - jo mindre energi, der kræves, jo bedre ledningsevne.

Forskerholdet analyserede de strukturelle data på 64, 000 organiske forbindelser ved hjælp af algoritmerne og grupperet dem i klynger. Resultatet:Både de kulstofbaserede molekylære rammer og de "funktionelle grupper", dvs. forbindelserne fæstnet lateralt til den centrale ramme, afgørende indflydelse på ledningsevnen.

Identifikation af molekyler ved hjælp af kunstig intelligens

Klyngerne fremhæver strukturelle rammer og funktionelle grupper, der letter gunstig afgiftstransport, hvilket gør dem særligt velegnede til udvikling af elektroniske komponenter.

"Vi kan nu bruge dette til ikke kun at forudsige egenskaberne af et molekyle, men ved hjælp af kunstig intelligens kan vi også designe nye forbindelser, hvor både den strukturelle ramme og de funktionelle grupper lover meget god ledningsevne, " forklarer Reuter.