Los métodos de aprendizaje de las máquinas proporcionan nuevas perspectivas sobre las interfaces orgánico-inorgánicas
Las simulaciones refutan las teorías anteriores sobre la transferencia de carga de largo alcance entre materiales orgánicos e inorgánicos
Oliver Hofmann y su grupo de investigación en el Instituto de Física del Estado Sólido de la Universidad Técnica de Graz están trabajando en la optimización de la electrónica moderna. Un papel clave en su investigación lo juegan las propiedades de interfaz de los materiales híbridos formados por componentes orgánicos e inorgánicos, que se utilizan, por ejemplo, en pantallas OLED o en células solares orgánicas. El equipo simula estas propiedades de interfaz con métodos basados en el aprendizaje por máquina. Los resultados se utilizan en el desarrollo de nuevos materiales para mejorar la eficiencia de los componentes electrónicos.
Combinando dos nuevos métodos de aprendizaje por máquina, el físico de la Universidad Técnica de Graz, Oliver Hofmann, pudo refutar las teorías sobre la transferencia de carga a largo plazo entre materiales orgánicos e inorgánicos.
© Baustädter – TU Graz
La transferencia de cargos a largo plazo como tema de investigación
Los investigadores se han ocupado ahora del fenómeno de la transferencia de carga de largo alcance. La transferencia de electrones de un material a otro ya se produce en el estado de desconexión si hay estados energéticamente más favorables para los electrones del material vecino. Esto plantea la cuestión fundamental de hasta dónde puede extenderse esta transferencia de electrones en la materia orgánica, es decir, cuántas capas abarca. Muchos estudios informan que para las interfaces orgánico-inorgánicas este efecto se limita a la primera capa, es decir, la capa donde las moléculas (orgánicas) están en contacto directo con la superficie metálica (inorgánica).
Por otra parte, algunos informes asumen que el efecto también se extiende a mayores distancias, hasta la segunda capa o más allá. "Si este es el caso, el efecto podría utilizarse para reducir la resistencia eléctrica del material híbrido, haciéndolo más eficiente desde el punto de vista energético", dice Hofmann, explicando por qué es tan interesante.
El nuevo método de examen combina dos métodos de aprendizaje de la máquina
Para demostrar el transporte de carga a larga distancia en las interfaces orgánico-inorgánicas, los investigadores utilizaron los nuevos métodos de aprendizaje de máquinas SAMPLE y BOSS para investigar una interfaz de cobre-tetracianotileno (TCNE/Cu(111)), "ya que hay datos experimentales particularmente fuertes disponibles aquí que indican el transporte de carga a larga distancia", dijo Hofmann. No hay una teoría clara de por qué algunos sistemas muestran este efecto. Hofmann y su equipo querían "resolver este misterio para crear una base de cómo producir materiales con la misma propiedad".
Combinando ambos métodos, los investigadores pudieron identificar más de dos millones de posibles estructuras de interfaz para las interfaces TCNE-Cu y predecir el comportamiento de las moléculas en diversas condiciones experimentales. Sorprendentemente, los resultados mostraron que no hay transferencia de carga de largo alcance, sino que las moléculas del sistema cambian su estructura.
Las moléculas cambian su disposición atómica
Cuando se aplican las moléculas, normalmente conservan su disposición general y se agrupan más estrechamente hasta que, a una cierta densidad, finalmente empiezan a crecer la segunda capa. Sin embargo, en el sistema TCNE/Cu(111), las moléculas adsorbidas cambian de la posición original de reposo a una de pie después de que se ha depositado una cierta cantidad. Así, se enderezan para poder agruparse aún más cerca. "Sin embargo, las moléculas de pie tienen una transferencia de carga completamente diferente a las moléculas acostadas. La transformación estructural es difícil de detectar experimentalmente, pero los resultados de las mediciones son similares a los del transporte de carga a larga distancia", explica Hofmann.
Las investigaciones refutan la hipótesis de la transferencia de carga de largo alcance. El uso de los métodos combinados de aprendizaje por máquina SAMPLE y BOSS tiene como objetivo apoyar futuros experimentos en el desarrollo de materiales de tal manera que tales malas interpretaciones ya no ocurran. Al profundizar en los procesos físicos, los nuevos procesos ayudan a asegurar que los materiales ya no están diseñados para perseguir un efecto que no existe en esta forma. Hofmann subraya la ventaja del nuevo método: "Gracias a los dos métodos, millones de estructuras diferentes pueden ser simuladas en el futuro".
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
Reciba la química en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de química, análisis, laboratorio y tecnología de procesos le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
