劳伦兹贝克利国家实验室用机器学习优化手性2D铙矿矿光电材料制备

B910化工消息：6月29日消息，劳伦兹贝克利国家实验室Molecular Foundry的Carolin Sutter-Fella团队在《Matter》期刊发表研究，开发了一套数据驱动的框架，系统性地识别和建模了手性2D金属卤化物铙矿矿光电材料的关键合成参数，解决了团体间性能可重复性差的核心难题。

手性2D金属卤化物铙矿矿(MHP)是基于自旋电子的新型光电材料，在LED、光探测器和自旋电子器件等场景中具有重要应用潜力。然而，由于合成参数众多（包括溶剂选择、退火温度、薄膜厚度等），不同实验室报告的同种材料性能差异超过两个数量级，严重制约了该类材料的产业化进程。

研究第一作者Raphael Moral从单晶前驱体溶液制备薄膜，并利用Advanced Light Source的X射线技术揭示了材料的结晶过程。与此同时，Moral与共同第一作者Maher Alghalayini（Molecular Foundry和CAMERA博士后）采用统计分析和机器学习方法，而非试错法，来识别和建模影响材料性能的参数。

框架揭示了三个关键发现：溶剂选择是影响手性光学性能的最重要因素，其中乙腈为最优溶剂，可产生最强且最一致的手性光学信号；退火温度和薄膜厚度也会显著影响材料的信号强度；X射线衔射实验进一步验证了溶剂对薄膜结晶质量的决定性作用。该研究为其他研究人员提供了一套实用的数据驱动路线图，可加速手性铙矿矿薄膜的可靠制备，推动该类材料在自旋电子器件和光电子学领域的实际应用。 （来源：AZoM）