Oliver Hofmann en zijn onderzoeksgroep aan het Institute of Solid State Physics aan de TU Graz werken aan de optimalisatie van moderne elektronica. Een sleutelrol in hun onderzoek wordt gespeeld door interface-eigenschappen van hybride materialen bestaande uit organische en anorganische componenten, die worden gebruikt, bijvoorbeeld, in OLED-schermen of organische zonnecellen. Het team simuleert deze interface-eigenschappen met op machine learning gebaseerde methoden. De resultaten worden gebruikt bij de ontwikkeling van nieuwe materialen om de efficiëntie van elektronische componenten te verbeteren.

Langeafstandsoverdracht als onderwerp van onderzoek

De onderzoekers hebben nu het fenomeen van ladingsoverdracht over lange afstand ter hand genomen. Een overdracht van elektronen van het ene materiaal naar het andere vindt al plaats in de uitgeschakelde toestand als er energetisch gunstiger toestanden zijn voor de elektronen in het aangrenzende materiaal. Dit roept de fundamentele vraag op hoe ver deze overdracht van elektronen zich kan uitstrekken in organisch materiaal, d.w.z. hoeveel lagen het omvat. Veel studies melden dat voor organisch-anorganische interfaces dit effect beperkt is tot de eerste laag, d.w.z. de laag waar de (organische) moleculen in direct contact staan ​​met het (anorganische) metaaloppervlak.

Anderzijds, sommige rapporten gaan ervan uit dat het effect zich ook over langere afstanden uitstrekt, naar de tweede laag of daarbuiten. "Als dit de zaak is, het effect zou kunnen worden gebruikt om de elektrische weerstand van het hybride materiaal te verminderen, energiezuiniger maken, " zegt Hofmann, uitleggen waarom het zo interessant is.

Nieuwe onderzoeksmethode combineert twee machine learning-methoden

Om ladingstransport over lange afstand in organisch-anorganische interfaces aan te tonen, gebruikten de onderzoekers de nieuwe machine learning-methoden SAMPLE en BOSS om een ​​koper-tetracyanoethyleen-interface (TCNE/Cu(111)) te onderzoeken, "aangezien er hier bijzonder sterke experimentele gegevens beschikbaar zijn die wijzen op ladingstransport over lange afstanden, " zei Hofmann. Er is geen duidelijke theorie waarom sommige systemen dit effect laten zien. Hofmann en zijn team wilden "dit mysterie oplossen om een ​​basis te creëren voor het produceren van materialen met dezelfde eigenschap."

Door beide methoden te combineren, de onderzoekers waren in staat om meer dan twee miljoen potentiële interfacestructuren voor de TCNE-Cu-interfaces te identificeren en het gedrag van de moleculen onder verschillende experimentele omstandigheden te voorspellen. Verrassend genoeg, de resultaten toonden aan dat er geen lange afstand ladingsoverdracht is, maar in plaats daarvan veranderen de moleculen in het systeem van structuur.

Moleculen veranderen hun atomaire rangschikking

Wanneer moleculen worden toegepast, meestal behouden ze hun algemene opstelling en pakken ze nauwer samen totdat, bij een bepaalde dichtheid, ze beginnen eindelijk met het kweken van de tweede laag. In het TCNE/Cu(111)-systeem, echter, de geadsorbeerde moleculen veranderen van de oorspronkelijke liggende positie naar een staande positie nadat een bepaalde hoeveelheid is afgezet. Ze gaan dus rechtop staan ​​om nog dichter bij elkaar te kunnen komen. "Echter, staande moleculen hebben een heel andere ladingsoverdracht dan liggende moleculen. De structurele transformatie is moeilijk experimenteel te detecteren, maar de meetresultaten zijn vergelijkbaar met die van ladingstransport over lange afstand, ", legt Hofmann uit.

De onderzoeken weerleggen de hypothese van ladingsoverdracht op lange afstand. Het gebruik van de gecombineerde machine learning-methoden SAMPLE en BOSS is bedoeld om toekomstige experimenten in materiaalontwikkeling zodanig te ondersteunen dat dergelijke verkeerde interpretaties niet meer voorkomen. Door dieper in te gaan op de fysieke processen, de nieuwe processen zorgen ervoor dat materialen niet langer ontworpen zijn om een ​​effect na te jagen dat in deze vorm niet bestaat. Hofmann onderstreept het voordeel van de nieuwe methode:"Dankzij de twee methoden, in de toekomst kunnen miljoenen verschillende constructies worden gesimuleerd."

De onderzoekers van de TU Graz publiceerden onlangs details van het onderzoek in Geavanceerde wetenschap .