Maskinlæringsmetoder giver ny indsigt i organisk-uorganiske grænseflader

Oliver Hofmann og hans forskningsgruppe ved Institute of Solid State Physics på TU Graz arbejder på optimering af moderne elektronik. En nøglerolle i deres forskning spilles af grænsefladeegenskaber af hybridmaterialer bestående af organiske og uorganiske komponenter, som bruges, for eksempel, i OLED-skærme eller organiske solceller. Teamet simulerer disse grænsefladeegenskaber med maskinlæringsbaserede metoder. Resultaterne bruges i udviklingen af ​​nye materialer for at forbedre effektiviteten af ​​elektroniske komponenter.

Overførsel af langdistanceafgifter som genstand for undersøgelse

Forskerne har nu taget fænomenet langtrækkende ladningsoverførsel op. En overførsel af elektroner fra et materiale til et andet sker allerede i slukket tilstand, hvis der er energimæssigt mere gunstige tilstande for elektronerne i nabomaterialet. Dette rejser det grundlæggende spørgsmål om, hvor langt denne overførsel af elektroner kan strække sig i organisk materiale, dvs. hvor mange lag den omfatter. Mange undersøgelser rapporterer, at for organisk-uorganiske grænseflader er denne effekt begrænset til det første lag, altså det lag, hvor de (organiske) molekyler er i direkte kontakt med den (uorganiske) metaloverflade.

På den anden side, nogle rapporter antager, at effekten også strækker sig over længere afstande, til det andet lag eller derover. "Hvis dette er tilfældet, effekten kan bruges til at reducere hybridmaterialets elektriske modstand, gør det mere energieffektivt, siger Hofmann, forklare hvorfor det er så interessant.

Ny undersøgelsesmetode kombinerer to maskinlæringsmetoder

For at demonstrere langrækkende ladningstransport i organisk-uorganiske grænseflader, forskerne brugte de nye maskinlæringsmetoder SAMPLE og BOSS til at undersøge en kobber-tetracyanoethylen-grænseflade (TCNE/Cu(111)), "da der er særligt stærke eksperimentelle data tilgængelige her, der indikerer langrækkende ladningstransport, " sagde Hofmann. Der er ingen klar teori, hvorfor nogle systemer viser denne effekt. Hofmann og hans team ønskede at "løse dette mysterium for at skabe et grundlag for, hvordan man producerer materialer med samme egenskab."

Ved at kombinere begge metoder, forskerne var i stand til at identificere over to millioner potentielle grænsefladestrukturer for TCNE-Cu-grænsefladerne og forudsige molekylernes adfærd under forskellige eksperimentelle forhold. Overraskende nok, resultaterne viste, at der ikke er nogen langsigtet gebyroverførsel, men i stedet ændrer molekylerne i systemet deres struktur.

Molekyler ændrer deres atomarrangement

Når molekyler anvendes, normalt bevarer de deres generelle arrangement og pakker tættere sammen, indtil ved en vis tæthed, de begynder endelig at dyrke det andet lag. I TCNE/Cu(111) systemet, imidlertid, de adsorberede molekyler skifter fra den oprindelige liggende stilling til en stående, efter at en vis mængde er blevet aflejret. De retter sig således op for at kunne stimle endnu tættere sammen. "Imidlertid, stående molekyler har en helt anden ladningsoverførsel end liggende molekyler. Den strukturelle transformation er svær at opdage eksperimentelt, men måleresultaterne ligner dem for langdistanceladningstransport, " forklarer Hofmann.

Undersøgelserne afviser hypotesen om overførsel af lang rækkevidde. Brugen af ​​de kombinerede maskinlæringsmetoder SAMPLE og BOSS har til formål at understøtte fremtidige eksperimenter i materialeudvikling på en sådan måde, at sådanne fejlfortolkninger ikke længere forekommer. Ved at tage et dybere kig på de fysiske processer, de nye processer er med til at sikre, at materialer ikke længere er designet til at jagte en effekt, der ikke findes i denne form. Hofmann understreger fordelen ved den nye metode:"Takket være de to metoder, millioner af forskellige strukturer kan simuleres i fremtiden."

TU Graz-forskerne offentliggjorde for nylig detaljer om undersøgelsen i Avanceret Videnskab .