Forstå grænseflader mellem hybride materialer og maskinlæring

Brug af maskinlæringsmetoder, forskere ved TU Graz kan forudsige strukturdannelsen af ​​funktionaliserede molekyler ved grænsefladerne mellem hybridmaterialer. Nu er det også lykkedes at se bag om drivkræfterne i denne strukturdannelse.

Produktionen af ​​nanomaterialer involverer selvsamlingsprocesser af funktionaliserede (organiske) molekyler på uorganiske overflader. Denne kombination af organiske og uorganiske komponenter er afgørende for anvendelser inden for organisk elektronik og andre områder af nanoteknologi.

Indtil nu, visse ønskede overfladeegenskaber blev ofte opnået på en trial-and-error basis. Molekyler blev kemisk modificeret, indtil det bedste resultat for den ønskede overfladeegenskab blev fundet. Imidlertid, de processer, der styrer selvsamlingen af ​​molekyler ved grænseflader, er så komplekse, at små molekylære ændringer kan føre til helt andre motiver. Fysikere fra TU Graz forklarer denne uventede strukturdannelse i en undersøgelse offentliggjort i det anerkendte tidsskrift ACS Nano .

Til dette formål, forskerne studerede quinoidforbindelser på en sølvoverflade. Første forfatter Andreas Jeindl fra Institute of Solid State Physics forklarer:"Naivt, man kunne forvente, at molekyler med lidt forskellige størrelser, men den samme funktionalisering, danner lignende motiver. I slående kontrast, vores fælles teoretiske og eksperimentelle undersøgelse viser, at quinoner kan danne forskellige strukturer. På trods af konstante startbetingelser, dannelsen af ​​disse strukturer kan ikke forudsiges og planlægges uden detaljeret viden om de relevante interaktioner."

Tre modsatrettede drivkræfter

Forskerne i Graz, sammen med et hold fra FSU Jena, er nu begyndt at nedbryde denne uforudsigelighed. De fandt ud af, at strukturdannelsen er resultatet af en afvejning mellem tre modsatrettede drivkræfter:Interaktionen mellem molekyler og metallet forsøger at tvinge alle molekyler i samme orientering, mens interaktionen mellem molekyler nogle gange favoriserer forskellige orienteringer. Molekylernes geometriske former fungerer så som en tredje faktor, forhindrer eller kun delvist tillader visse interaktioner.

Baseret på dette, de var i stand til at etablere et designprincip, hvormed de strukturer, der dannes ved grænsefladerne, og efterfølgende deres egenskaber, kan forudsiges - i det mindste for en første klasse af molekyler. En essentiel rolle spilles af en søgealgoritme (SAMPLE) baseret på maskinlæring. Jeindl uddyber:"Vi var i stand til at vise i denne publikation, at de strukturer, der forudsiges af vores algoritme, er i fremragende overensstemmelse med eksperimentelle karakteriseringer af organisk-uorganiske grænseflader - både i hvordan molekylerne orienterer sig på overfladen og i hvordan motiverne gentages på overflade. Desuden vores analyse, for første gang, muliggjorde en detaljeret og kvantitativ opdeling af drivkræfterne, ikke kun af de eksperimentelt dannede strukturer, men de facto af alle tænkelige strukturer. Dette er et vigtigt kig bag kulisserne af strukturdannelse."

Grænsefladeegenskaber med modulære byggeklodser

Det ikke-intuitive samspil mellem lignende vigtige interaktionsmekanismer er fortsat en udfordring for design af funktionelle grænseflader. Med en detaljeret undersøgelse af alle drivkræfterne, imidlertid, fysikerne ved TU Graz er ikke desto mindre i stand til at udtænke et designprincip for selvsamling af funktionaliserede molekyler for en given klasse af molekyler. Når først der er nok analyser for forskellige klasser af molekyler, de rigtige molekyler til de ønskede grænsefladeegenskaber kan nemt samles på computeren fra modulære byggeklodser.