Mit Machine Learning Grenzflächen von Hybridmaterialien verstehen

Die Illustration zeigt die stark unterschiedlichen Oberflächenstrukturen, die sich für die drei untersuchten Moleküle bei Adsorption auf einer Metalloberfläche ausbilden © Jeindl - TU Graz Von Susanne Eigner - Mit Machine-Learning-Methoden können Forscher der TU Graz die Strukturbildung funktionaler Moleküle an den Grenzflächen von Hybridmaterialien vorhersagen. Nun ist ihnen auch der Blick hinter die treibenden Kräfte dieser Strukturbildung gelungen. Die Herstellung von Nanomaterialien beinhaltet Selbstanordnungsprozesse funktionaler (organischer) Moleküle auf anorganischen Oberflächen. Diese Kombination aus organischen und anorganischen Komponenten ist wesentlich für Anwendungen in der organischen Elektronik und anderen Bereichen der Nanotechnologie. Bisher erreichte man bestimmte gewünschte Oberflächeneigenschaften oft nach dem Trial-and-Error-Prinzip: Moleküle wurden solange chemisch verändert, bis das beste Ergebnis für die gewünschte Oberflächeneigenschaft gefunden wurde. Die Prozesse, die die Selbstanordnung der Moleküle an den Grenzflächen steuern, sind aber so komplex, dass kleine Änderungen der Moleküle zu gravierend unterschiedlichen Motiven führen können. Diese unerwartete Strukturbildung erklären Physiker der TU Graz in einer Studie im renommierten Fachjournal ACS Nano.