Data mining voor nieuwe organische halfgeleiders

21 februari 2019, 11:45
Wegen naar betere geleidbaarheid. Afbeelding: C. Kunkel / TUM
Wegen naar betere geleidbaarheid. Afbeelding: C. Kunkel / TUM
Organische halfgeleiders zijn licht, flexibel en gemakkelijk te fabriceren. Maar qua rendement en levensduur voldoen ze tot nu toe vaak niet aan de verwachtingen. Onderzoekers van de TUM (Technische Universität München) gebruiken nu data mining-technieken om veelbelovende organische verbindingen voor toekomstige elektronica op te sporen.

Bij de fabricage van klassieke zonnecellen uit silicium wordt erg veel energie verbruikt. Verder zijn ze stijf en broos. Organische halfgeleidermaterialen daarentegen zijn flexibel, licht en met de juiste techniek eenvoudig en goedkoop te maken. Als hun rendement en levensduur wat zou verbeteren, zouden ze een aantrekkelijk alternatief kunnen zijn.
Daarom zoekt het team van Karsten bij de TUM naar nieuwe substanties voor fotovoltaïsche componenten, displays en OLED’s. Ze onderzoeken organische verbindingen met een centrale koolstofketen. Afhankelijk van de structuur en de samenstelling hebben de moleculen en de daaruit gevormde materialen verschillende natuurkundige eigenschappen, die ze geschikt maken voor verschillende toepassingsgebieden in de elektronica.

Tot nu toe was de speurtocht naar geschikte organische materialen een moeizaam en langdurig proces. De fabricage, test en optimalisatie van nieuwe materialen in het lab duurde weken tot maanden. Door gebruik te maken van computers en software kunnen we die zoektocht enorm versnellen.

Computers in plaats van reageerbuizen

Voor het zoeken naar veelbelovende organische halfgeleiders zijn tegenwoordig noch reageerbuizen noch bunsenbranders nodig. In plaats daarvan doorzoeken krachtige computers met behulp van data mining in reeds beschikbare databanken naar verbanden en patronen. Het is daarbij belangrijk om te weten, waar je naar op zoek bent. Bij de TUM gaat het vooral om de elektrische geleidbaarheid. Die is bijvoorbeeld belangrijk voor het vloeien van de stroom in een zonnecel, als de molecule door licht worden aangestoten.

Met speciale algoritmes wordt bij de data mining gezocht naar bepaalde fysieke parameters. Een belangrijke karakteristiek is bijvoorbeeld de „koppelingsparameter“, omdat die correleert met de bewegelijkheid van elektronen. Een andere interessante parameter is de zogenaamde „reorganisatie-energie“. Die beschrijft hoeveel energie het kost om een molecuul na een ladingsverplaatsing in de structuur aan te passen aan de nieuwe ladingsverdeling. Hoe gemakkelijker dat gaat, hoe beter de geleidbaarheid.

Met hulp van algoritmes heeft het onderzoeksteam de structuurgegevens van 64.000 organische kristallen geanalyseerd en gesorteerd in clusters. Daardoor kwamen ze tot het inzicht, dat zowel de centrale koolstofketen als de „functionele groepen“ (de verbindingen die aan de centrale koolstofketen hangen) de geleidbaarheid beïnvloeden.
De clusters laten zien, welke koolstofketens en welke functionele groepen een goed landingstransport mogelijk maken en daardoor geschikt zijn voor de ontwikkeling van elektronische componenten. Op die manier kunnen we niet alleen de eigenschappen van een molecuul voorspellen, maar ook met behulp van AI nieuwe verbindingen ontwikkelen, waarbij zowel de koolstofketen als de functionele groepen een heel goede geleidbaarheid voorspellen.
 
Reacties worden ingeladen...
gerelateerde items