Public Release: 

Molekulares Lego

Chemisches Data Mining beschleunigt Suche nach neuen organischen Halbleitern

Technical University of Munich (TUM)

Klassische Solarzellen aus Silizium herzustellen ist sehr energieintensiv. Zudem sind sie starr und spröde. Organische Halbleitermaterialien dagegen sind flexibel, und leicht. Sie wären eine vielversprechende Alternative, wenn sie bei Wirkungsgrad und Langlebigkeit mithalten könnten.

Zusammen mit seinem Team sucht Prof. Karsten Reuter, Professor für Theoretische Chemie der TU München, nach neuen Substanzen für die Photovoltaik, aber auch für Displays oder lichtemittierende Dioden, kurz OLEDs. Im Fokus stehen organische Verbindungen, deren zentrales Gerüst auf Kohlenstoffatomen basiert.

Kandidaten für die Elektronik der Zukunft

Je nach Struktur und Zusammensetzung haben die Moleküle und die aus ihnen gebildeten Materialien unterschiedlichste physikalische Eigenschaften - es gibt daher zahlreiche aussichtsreiche Kandidaten für die Elektronik der Zukunft.

„Ein großes Problem war bisher, diese aufzuspüren: Es dauert Wochen bis Monate ein neues Material im Labor herzustellen, zu testen und zu optimieren", so Reuter. „Mit Computational Screening können wir diesen Prozess enorm beschleunigen."

Computer statt Reagenzglas

Für die Suche nach aussichtsreichen organischen Halbleitern braucht der Forscher weder Reagenzgläser noch Bunsenbrenner. Mit einem leistungsstarken Rechner analysieren er und sein Team bereits vorhandene Datenbanken. Data-Mining heißt diese virtuelle Suche nach Zusammenhängen und Mustern.

„Entscheidend beim Data-Mining ist, das man weiß, wonach man sucht", betont Privatdozent Dr. Harald Oberhofer, der das Projekt leitet. „In unserem Fall ist es die elektrische Leitfähigkeit. Eine hohe Leitfähigkeit sorgt beispielsweise dafür, dass in der Photovoltaik-Zelle viel Strom fließt, wenn Sonnenlicht die Moleküle anregt."

Algorithmen finden Schlüsselparameter

Mit seinen Algorithmen kann er nach ganz bestimmten physikalischen Parametern suchen: Wichtig ist beispielsweise der „Kopplungsparameter". Je größer er ist, desto schneller wandert ein Elektron von einem Molekül zum nächsten.

Ein weiterer Faktor ist die „Reorganisations-Energie": Sie definiert, wie aufwändig es für ein Molekül ist, nach einem Ladungstransfer die Struktur an die neue Ladung anzupassen - je energetisch günstiger das geht, desto besser für die Leitfähigkeit.

Mit Hilfe der Algorithmen hat das Forscherteam Struktur-Daten von 64.000 organischen Einkristallen analysiert und in Clustern zusammengefasst. Das Ergebnis: Sowohl das Kohlenstoff-basierte Gerüst der Moleküle als auch die „funktionalen Gruppen", also die Verbindungen, die seitlich am zentralen Gerüst hängen, können die Leitfähigkeit entscheidend beeinflussen.

Molekülsuche mit Künstlicher Intelligenz

Die Cluster zeigen, welche Gerüste und welche funktionalen Gruppen einen guten Landungstransport erlauben und damit besonders geeignet sind für die Entwicklung elektronischer Bauteile.

„Damit können wir jetzt nicht nur die Eigenschaften eines Moleküls voraussagen, sondern auch mit Hilfe künstlicher Intelligenz neue Verbindungen designen, bei denen sowohl Gerüst als auch funktionale Gruppen eine sehr gute Leitfähigkeit versprechen", erklärt Reuter.

###

Mehr Informationen:

Die Strukturdaten der Analyse stammen aus der Cambridge Structural Database. Die Leitfähigkeitsdaten wurden durch Elektronenstrukturrechnungen auf dem Höchstleistungsrechner Super-MUC im Leibniz Rechenzentrum in Garching generiert. Im Rahmen des Exzellenzclusters e-conversion sollen die am Computer neu designten Moleküle im Labor hergestellt werden.

Disclaimer: AAAS and EurekAlert! are not responsible for the accuracy of news releases posted to EurekAlert! by contributing institutions or for the use of any information through the EurekAlert system.