Mobile-Menu

Maschinelles Lernen Neue Erkenntnisse über organisch-anorganische Grenzflächen dank Machine Learning

Von Christoph Pelzl*

Anbieter zum Thema

INFOMOTION GmbH
Technische Universität Graz
Durch die Kombination zweier neuartiger Machine-Learning Verfahren für die Grenzflächenstruktursuche kann Oliver Hofmann nun Probleme untersuchen, die sich der Wissenschaft früher komplett entzogen haben.
Durch die Kombination zweier neuartiger Machine-Learning Verfahren für die Grenzflächenstruktursuche kann Oliver Hofmann nun Probleme untersuchen, die sich der Wissenschaft früher komplett entzogen haben.
(Bild: Birgit Baustädter, TU Graz)

In OLED-Displays oder organischen Solarzellen werden häufig Hybridmaterialen, die aus organischen und anorganischen Komponenten bestehen, verbaut. Für Oliver Hofmann und seine Arbeitsgruppe am Institut für Festkörperphysik der TU Graz sind besonders die Grenzflächeneigenschaften dieser Hybridmaterialen von großer Bedeutung. Die Forschergruppe beschäftigt mit der Optimierung moderner Elektronik. Das Team simuliert diese Grenzflächeneigenschaften mit maschinell basierten Lernverfahren; die Ergebnisse fließen in die Entwicklung neuer Materialien ein, die die Effizienz elektronischer Bauteile verbessern sollen.

Langreichweitige Ladungstransporte als Untersuchungsgegenstand

Für die Forschenden stand nun das Phänomen des langreichweitigem Ladungstransfers im Fokus. Ein Elektronentransfer von einem Material zum anderen tritt bereits im ausgeschalteten Zustand auf, wenn sich im benachbarten Material energetisch günstigere Zustände für die Elektronen befinden. Dabei stellt sich die fundamentale Frage: Wie weit kann dieser Transfer von Elektronen im organischen Material reichen, also bis in welche Moleküllage hinein findet er statt? Die Studienlage unterscheidet sich hier grundlegend: Einige Berichte gehen davon aus, dass der Effekt auf den organisch-anorganischen Grenzflächen lediglich auf die erste Lage beschränkt ist. Dabei handelt es sich um die Lage, in der die organischen Moleküle (der organischen Schicht) in direktem Kontakt mit der Metalloberfläche (anorganische Schicht) stehen. Andere Studien kamen zu dem Ergebnis, dass der Effekt bis zur zweiten Lage oder darüber hinaus geht. „Wenn es das gibt, könnte man den Effekt für die Senkung des elektrischen Widerstands des Hybridmaterials nutzen und sie dadurch energieeffizienter machen“, erklärt Hofmann das Interesse an dem Untersuchungsgegenstand.

Neue Untersuchungsmethode kombiniert zwei maschinelle Lernverfahren

Die neuen maschinellen Lernverfahren SAMPLE und BOSS sollen mittels einer Kupfer-Tetracyanoethylen-Grenzfläche (TCNE/Cu(111)) bei der Untersuchung und dem Nachweis langreichweitige Ladungstransporte in organisch-anorganischen Grenzflächen unterstützen. Denn lauf Hofmann „gibt es hier besonders starke experimentelle Daten, die einen langreichweitigen Ladungstransport nahelegen.“ Eine eindeutige Theorie, wieso manche Systeme diesen Effekt zeigen, ist nicht vorhanden. Hofmann und sein Team wollten dem auf den Grund gehen, um Erkenntnisse darüber zu erlangen, wie Materialien mit der gleichen Eigenschaft hergestellt werden könnten.

Durch eine Kombination beider Verfahren konnten die Forschenden für die TCNE-Cu-Grenzflächen über zwei Millionen potentielle Grenzflächenstrukturen identifizieren und das Verhalten der Moleküle unter den diversen experimentellen Bedingungen vorhersagen. Die Ergebnisse zeigen: es kommt zu keinem langreichweitigen Ladungstransfer. Stattdessen ändern die Moleküle im System ihre Struktur. Damit wurde die Hypothese durch die Untersuchungen widerlegt.

Maschinelle Lernverfahren sollen Fehlinterpretationen verhindern

Zukünftig sollen solche Fehlinterpretationen durch den Einsatz der kombinierten maschinellen Lernverfahren SAMPLE und BOSS nicht mehr auftreten. Die neuen Verfahren sollen damit Experimente in der Materialentwicklung unterstützen und einen tieferen Blick in physikalische Vorgänge ermöglichen, um keine Materialien mehr zu designen, die einem nicht existenten Effekt simulieren sollen.

Hofmann unterstreicht den Vorteil der neuen Methode: „Dank der beiden Verfahren können zukünftig Millionen unterschiedlicher Strukturen simuliert werden.“

Details zur Untersuchung veröffentlichten die TU Graz-Forschenden jüngst in Advanced Science.

Details zu den Machine-Learning-Softwares

SAMPLE wurde von der Hofmann-Gruppe entwickelt und im Rahmen dieser Untersuchungen erstmals für Materialdesign eingesetzt. BOSS ist eine ML-Software der Rinke-Gruppe an der Aalto-Universität (Finnland). Beide Verfahren stehen als Open-Source-Softwares zur Verfügung.

Dieses Forschungsprojekt ist im FoE „Advanced Materials Science“ (mehr Informationen) verankert, einem der fünf Stärkefelder der TU Graz.

Dieser Artikel stammt von unserem Partnerportal Industry of Things. Verantwortliche Redakteurin: Vivien Deffner

* Mag. Christoph Pelzl arbeitet in der Abteilung Kommunikation und Marketing an der Technischen Universität Graz.

(ID:46897169)

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Weiterführende Inhalte