TU Graz/ TU Graz/ Services/ News+Stories/

Maschinelle Lernverfahren bringen neue Erkenntnisse über organisch-anorganische Grenzflächen

Simulationen an der TU Graz widerlegen frühere Theorien zur langreichweitigen Ladungsübertragung zwischen organischen und anorganischen Materialien.

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. © Baustädter – TU Graz

Oliver Hofmann und seine Arbeitsgruppe am Institut für Festkörperphysik der TU Graz beschäftigen sich mit der Optimierung moderner Elektronik. Eine Schlüsselrolle in ihrer Forschung spielen Grenzflächeneigenschaften von Hybridmaterialien, die aus organischen und anorganischen Komponenten bestehen und beispielsweise bei OLED-Displays oder organischen Solarzellen zum Einsatz kommen. 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

Nun nahmen sich die Forschenden dem Phänomen langreichweitiger Ladungstransfers an. 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 dieser Transfer von Elektronen im organischen Material reichen kann, also bis in welche Moleküllage hinein er stattfindet. Viele Studien berichten, dass sich dieser Effekt bei organisch-anorganischen Grenzflächen auf die erste Lage beschränkt – das ist jene Lage, in der die organischen Moleküle (der organischen Schicht) in direktem Kontakt mit der Metalloberfläche (anorganische Schicht) stehen.

Einige Berichte wiederum gehen davon aus, dass der Effekt auch über größere Entfernungen bis zur zweiten Lage oder darüber hinaus reicht. „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.

Neue Untersuchungsmethode kombiniert zwei maschinelle Lernverfahren

Um langreichweitige Ladungstransporte in organisch-anorganischen Grenzflächen nachzuweisen, haben die Forschenden mithilfe der neuen maschinellen Lernverfahren SAMPLE und BOSS eine Kupfer-Tetracyanoethylen-Grenzfläche (TCNE/Cu(111)) untersucht, „da es hier besonders starke experimentelle Daten gibt, die einen langreichweitigen Ladungstransport nahelegen“, so Hofmann. Es gibt keine klare Theorie, wieso manche Systeme diesen Effekt zeigen. Hofmann und sein Team wollten „dieses Rätsel lösen, um einen Grundlage dafür zu schaffen, wie man Materialien mit der gleichen Eigenschaft herstellen kann.“

Durch Kombinieren 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 zeigten, dass es zu keinem langreichweitigen Ladungstransfer kommt, sondern die Moleküle im System stattdessen ihre Struktur ändern.

Moleküle verändern ihre Anordnung im System

Beim Aufbringen von Molekülen ist es zumeist so, dass sie ihre übliche Anordnung behalten und versuchen, sich dichter zusammenzudrängen, bis sie ab einer gewissen Dichte schließlich von der ersten in die zweite Lage wachsen. Im TCNE/Cu(111)-System aber wechseln die aufgebrachten Moleküle ab einer bestimmten Menge von der ursprünglich liegenden Position in eine stehende. Sie richten sich also auf, um sich noch dichter zusammendrängen zu können. „Stehende Moleküle haben aber einen ganz anderen Ladungstransfer als liegende Moleküle. Die Strukturumwandlung ist experimentell schwer erkennbar, die Messergebnisse ähneln aber jenen von langreichweitigem Ladungstransport“, erklärt Hofmann.

Die Untersuchungen widerlegen die  Hypothese des langreichweitigen Ladungstransfers. Der Einsatz der kombinierten maschinellen Lernverfahren SAMPLE und BOSS soll zukünftige Experimente in der Materialentwicklung dahingehend unterstützen, dass solche Fehlinterpretationen nicht mehr auftreten. Durch einen tieferen Blick in die physikalischen Vorgänge helfen die neuen Verfahren, dass keine Materialien mehr designt werden, die einem Effekt nachjagen, den es in dieser Form gar nicht gibt. 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.

Für seine Arbeit im Bereich Materialdesign erhielt Oliver Hofmann im Jahr 2018 den START-Preis des Wissenschaftsfonds FWF (siehe TU Graz-Newsmeldung). Ein Porträt über den TU Graz-Physiker findet sich auf Planet Research.

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

Information

Zur Publikation:
Charge Transfer into Organic Thin Films: A Deeper Insight through Machine‐Learning‐Assisted Structure
Alexander T. Egger, Lukas Hörmann, Andreas Jeindl, Michael Scherbela, Veronika Obersteiner, Milica Todorović, Patrick Rinke, Oliver T. Hofmann
Adv. Sci. 2020, 2000992
Doi: https://doi.org/10.1002/advs.202000992

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.

Kontakt

Oliver HOFMANN
Dipl.-Ing. Dr.techn.
TU Graz | Institut für Festkörperphysik
Petersgasse 16/II
8010 Graz
Tel.: +43 316 873 8964
o.hofmannnoSpam@tugraz.at