В Корее с помощью ИИ нашли оптимальный растворитель, повышающий срок службы светодиодов на квантовых точках (QLED) в 40 раз
- 16 июл.
- 5 мин. чтения
Корреспондент Гу Бон Хёк
- Совместное исследование Сеульского национального университета и Университета Сонгюнгван помогло повысить производительность дисплеев нового поколения
Краткое описание результатов данного исследования. Слева направо: существующие техпроцессы; платформа для проектирования техпроцесса производства квантово-точечных светодиодов на основе ИИ (эффективность увеличилась в 2 раза, срока службы – в 40 раз); техпроцесс, спроектированный с помощью ИИ [Предоставлено Сеульским национальным университетом]
Группа корейских ученых обнаружила оптимальные условия проектирования, позволяющие радикально повысить эффективность и срок службы квантово-точечных светодиодов (QLED).
15 июля Корейский фонд научных исследований сообщил, что совместная исследовательская группа профессора Гвак Чжон Хун из Сеульского национального университета и профессора Лим Чжэ Хун из Университета Сонгюнгван разработала платформу, использующую искусственный интеллект для обратного проектирования характеристик оптимального растворителя, позволяющего равномерно и плотно располагать квантовые точки в процессе изготовления квантово-точечных светодиодов (QLED).
Квантово-точечные светодиоды (QLED) — это устройства, в которых в качестве светящегося слоя используются квантовые точки, представляющие собой полупроводниковые частицы нанометрового размера, и которые считаются перспективной технологией для дисплеев следующего поколения.
Они позволяют использовать растворный процесс, при котором квантовые точки в растворе наносятся на подложку для формирования тонкой пленки, что выгодно с точки зрения низкой стоимости и возможности производства на больших площадях.
Для создания высокопроизводительных QLED частицы квантовых точек должны быть равномерно и плотно расположены в тонкой пленке, словно кирпичики.
Проблема заключается в том, что при таком растворном процессе яркость и срок службы значительно зависят от того, какой растворитель используется для создания тонкой пленки.
Поскольку предсказать влияние конкретных условий растворителя на характеристики было сложно, исследователи в основном полагались на опыт и многократные эксперименты, что приводило к значительным затратам времени и средств на поиск оптимальных условий.
Профессор Гвак Чжон Хун из Сеульского национального университета [Фото предоставлено Сеульским национальным университетом]
Чтобы разгадать эту сложную взаимосвязь, исследовательская группа заставила ИИ изучить взаимосвязь между физическими свойствами растворителя и структурой тонкой пленки из квантовых точек.
Сначала были изготовлены тонкие пленки из квантовых точек с использованием пяти типичных растворителей, а затем с помощью атомно-силового микроскопа (AFM) была количественно оценена степень однородности их поверхности.
Затем в модель машинного обучения были загружены физические характеристики растворителей (такие как давление пара, вязкость, плотность и диэлектрическая проницаемость) и данные о форме тонких пленок, чтобы ИИ мог обратно предсказать характеристики растворителя, позволяющие сформировать наиболее однородную пленку из квантовых точек.
Хотя растворителя, обладающего всеми оптимальными характеристиками, предложенными ИИ, не существовало, исследовательская группа смогла реализовать предложенные ИИ условия путем комбинирования нескольких растворителей.
Эти сложные условия, которые трудно определить с помощью одних лишь повторяющихся экспериментов, были применены в реальном процессе производства QLED, в результате чего было подтверждено, что по сравнению с традиционным использованием одного растворителя эффективность увеличилась примерно в 2 раза, а срок службы — более чем в 40 раз.
Аннотация:
Коллоидальные квантовые точки (QD) обладают оптоэлектронными свойствами, регулируемыми по размеру, и поддаются обработке в растворе, однако получение равномерно упакованных, светящихся слоев по-прежнему остается узким местом для высокопроизводительных светодиодов на квантовых точках (QLED). В данной работе мы описываем стратегию оптимизации растворителя на основе машинного обучения для получения однородных пленок квантовых точек. Оценены пять типичных параметров растворителей, и на основе данных об однородности плёнок, полученных с помощью атомно-силовой микроскопии, обучены модели множественной регрессии. Среди них регрессия на опорных векторах обеспечивает наивысшую точность прогнозирования однородности плёнок. Руководствуясь этими прогнозами, мы сформулировали состав смешанного растворителя, который точно соответствует целевому профилю, обеспечивая превосходную однородность упаковки, что подтверждается результатами малоуглового рентгеновского рассеяния под косым углом.
QLED, изготовленные с использованием данной рецептуры, демонстрируют внешнюю квантовую эффективность 20,6 % и срок службы 468,5 ч при освещенности 20 000 кд/м−2, превосходя все контрольные образцы, изготовленные с использованием одного растворителя. Эти результаты подтверждают, что однородность упаковки является решающим фактором для характеристик устройства, и представляют универсальную и масштабируемую основу для проектирования устройств, изготовленных методом растворной технологии, на основе анализа данных, что открывает широкие перспективы для оптоэлектронных систем следующего поколения.
Влияние растворителя на морфологию плёнок квантовых точек и характеристики QLED. (a) Изображения, полученные с помощью АСМ, и соответствующие гистограммы высот плёнок квантовых точек, нанесённых методом центробежного напыления из различных растворителей (масштабная линейка: 500 нм). (b) Значения Ra и σ, полученные из гистограмм высот для каждого растворителя. (c) Корреляции σ с показателями характеристик устройств: EQE (вверху), LT50 при начальной яркости 20 000 кд/м² (в середине) и J при 6 В (внизу). (г) Нормированные свойства растворителей с различными физическими единицами: VP (гПа), VC (Па·с), DS (г мл⁻¹) и MW (г моль⁻¹), а также безразмерное значение для DC. Все значения нормированы относительно своих максимальных значений.
Платформа машинного обучения для оптимизации растворителей. (a) Предварительная обработка данных: ширина гауссовых распределений была извлечена из сегментированных изображений АСМ, а параметры растворителей были стандартизированы для обучения модели. (b) Схематические иллюстрации трёх алгоритмов машинного обучения, использованных для обучения модели. (c) Оптимизация гиперпараметров каждой модели, выполненная методом GSCV. (d) Экспериментальная проверка смеси растворителей, предсказанной с помощью машинного обучения, которая позволила получить плёнки из квантовых точек с улучшенным порядком упаковки.
Оптимизация комбинаций растворителей с помощью машинного обучения. (a) Сравнение экспериментально измеренного значения σ и значения σ, предсказанного с помощью машинного обучения, для системы с несколькими растворителями. (b) Важность признаков параметров растворителей по методу перестановки. (c) Двумерный контурный график σ в зависимости от давления паров и плотности. Розовая точка обозначает предсказанную оптимальную комбинацию растворителей. (d) Сравнение профилей свойств растворителей между предсказанной оптимальной комбинацией и смесью растворителей, сформулированной экспериментально. (e) Изображение АСМ (слева) и соответствующий гистограмма высот (справа) плёнок из квантовых точек, полученных с использованием растворителя, предсказанного с помощью машинного обучения.
Характеристики устройств QLED, изготовленных с использованием различных растворителей для квантовых точек. (a) Схематическое изображение инвертированной структуры устройства QLED. (b)–(e) Характеристики устройств в терминах J–V, L–V, EQE–L и срока службы при начальной яркости 20 000 кд/м², соответственно. (f) Сравнение EQE и срока службы для QLED, изготовленных с использованием квантовых точек, диспергированных в различных растворителях.
Влияние растворителя на плотность упаковки и однородность квантовых точек. (a) Двумерные GISAXS-дифрактограммы пленок из квантовых точек, полученных с использованием различных растворителей. (b) Профили интенсивности GISAXS пленок квантовых точек в горизонтальном направлении. (c) Расстояние между точками и длина корреляции, полученные путем аппроксимации с помощью произведения форм-фактора и структурного фактора. (d) Изображения, полученные с помощью просвечивающего электронного микроскопа (TEM), пленок квантовых точек, нанесённых методом спин-коатинга с использованием гексана (вверху) и растворителя, предсказанного методом ML (внизу).
«Данное исследование является примером того, что с помощью ИИ можно на основе данных проектировать материалы и процессы для дисплеев» - отметил профессор Гвак Чжон Хун, добавив: «мы ожидаем, что эти результаты найдут применение не только в разработке QLED, но и в создании различных электронных устройств следующего поколения, таких как OLED и перовскитные солнечные элементы».
«Наша цель — превратить эту платформу в систему искусственного интеллекта, которая будет предлагать оптимальные технологические процессы с учетом не только однородности тонких пленок, но и эффективности устройств, а также их срока службы» - заявил он.
Результаты данного исследования, проведенного при поддержке «Программы поддержки исследовательских лабораторий в рамках стратегии дисплеев будущего» и «Программы развития нанотехнологии и технологии материалов», реализуемых Министерством науки и ИКТ Южной Кореи и Корейским фондом научных исследований, опубликованы 15 июля в онлайн-версии международного научного журнала «Reports on Progress in Physics», издаваемого Институтом физики Великобритании.
Комментарии