银纳米线沉积的多目标优化,用于灵活的透明导电极
Mark Lee1, Robert T Piper2, Bishal Bhandari1
1Department of Physics, University of Texas at Dallas, Richardson, Texas 75080, United States.
ACS applied nano materials
|October 19, 2023
概括
机器学习优化了用于透明导电极 (TCE) 的银纳米线旋转涂层. 这种方法实现了高传导率和电导率,满足了先进电子设备的特定应用需求.
科学领域:
- 材料科学与工程 材料科学与工程
- 纳米技术纳米技术
- 机器学习应用 机器学习应用
背景情况:
- 透明导电极 (TCE) 对电子设备至关重要,需要在高光传导率和电导率之间保持平衡.
- 传统的优化方法使用单一的优点图扎,以满足不同的应用程序的独特的传导和导电要求.
- 银纳米线 (AgNWs) 的旋转涂层是制造TCE的一个有前途的技术,但需要精确的参数控制才能达到最佳性能.
研究的目的:
- 开发和应用机器学习 (ML) 模型,以优化用于TCE制造的银纳米线的旋转涂层过程.
- 为了应对在TCE中同时实现高传导率和高导电率的挑战,超越单一指标优化.
- 确定特定的处理参数,使TCE能够满足苛刻的应用要求,例如传导率≥75%,板电阻≤15 Ω/平方.
主要方法:
- 利用机器学习 (ML) 模型来分析旋转涂层参数和TCE性能之间的复杂关系.
- 在ML模型预测上进行了帕雷托前线分析,以确定最佳的处理条件,以平衡竞争的传导和导电特性.
- 通过在预测的最佳条件下制造和表征TCE,验证了ML识别的参数.
主要成果:
- 证明了ML引导的优化可以有效地导航AgNW TCE中传导率和导电率之间的权衡.
- 实现了传导率≥75%和板电阻≤15 Ω/平方的目标性能指标,此前这些指标在同时实现是具有挑战性的.
- 通过ML分析确定了特定的旋转涂层参数,这些参数导致了优越的TCE性能.
结论:
- 机器学习,特别是帕雷托前线分析,为优化复杂材料制造流程,如AgNW旋转涂层提供了强大的工具.
- 机器学习方法成功地克服了单一的优化优化的局限性,使得针对特定应用的TCE的定制制造成为可能.
- 这项研究验证了使用ML驱动的过程控制实现具有所需光学和电气性能的高性能AgNW TCE的可行性.
