Yapay zeka, verimliliği iki katına çıkaran ve kullanım ömrünü 40 kat artıran QLED tarifinin kilidini açıyor

Yapay zekanın, kuantum noktalı ışık yayan diyot (QLED) cihazları için proses koşullarını (daha önce tanımlanması için kapsamlı deneme yanılma gerektiren koşullar) ters yönde belirlemesine olanak tanıyan bir teknoloji geliştirildi.

Gerçek cihazlara uygulandığında, teknoloji kabaca verimliliği ikiye katladı ve çalışma ömrünü 40 kattan fazla uzattı; bu da yeni nesil ekranların gelişimini hızlandırabileceği yönündeki beklentileri artırdı.

Seul Ulusal Üniversitesi Mühendislik Fakültesi, Elektrik ve Bilgisayar Mühendisliği Bölümü’nden Profesör Jeonghun Kwak ve Sungkyunkwan Üniversitesi Enerji Bilimi Bölümü’nden Profesör Jaehoon Lim liderliğindeki ortak bir araştırma ekibinin, QLED’lerin üretimi sırasında kuantum noktalarının eşit ve yoğun bir şekilde düzenlenmesi için en uygun çözücü özelliklerini ters şekilde tasarlayan yapay zeka tabanlı bir platform geliştirdiğini duyurdu.

Araştırma, Bilim ve BİT Bakanlığı ve Kore Ulusal Araştırma Vakfı tarafından Future Display Lider Teknoloji Programı ve Nano ve Malzeme Teknolojisi Geliştirme Programı aracılığıyla desteklendi. Bulgular 15 Temmuz’da çevrimiçi olarak yayınlandı. Fizikte İlerleme RaporlarıBirleşik Krallık Fizik Enstitüsü (IOP) tarafından yayınlanan uluslararası üne sahip bir fizik dergisidir.

Solvent seçimi neden kritiktir?

Işık yayan katman olarak kuantum noktaları adı verilen nanometre ölçeğindeki yarı iletken parçacıkları kullanan kuantum nokta LED’ler (QLED’ler), yeni nesil ekranlar için umut verici bir teknoloji olarak kabul ediliyor. Bunun nedeni, ince bir film oluşturmak için bir alt tabakanın sıvı formda kuantum noktalarıyla kaplanması gibi bir çözüm süreci kullanılarak üretilebilmeleridir; bu da onları düşük maliyetli, geniş alanlı üretim için avantajlı kılar.

Yüksek performanslı QLED’ler elde etmek için kuantum nokta parçacıklarının ince film içerisinde tıpkı tuğlalar gibi eşit ve yoğun bir şekilde düzenlenmesi gerekir. Buradaki zorluk, bu çözüm sürecinde filmi oluşturmak için kullanılan solvent seçiminin parlaklığı ve kullanım ömrünü önemli ölçüde etkilemesidir. Belirli solvent koşullarının performansı nasıl etkilediğini tahmin etmek zor olduğundan, araştırmacılar en uygun koşulları bulmak için büyük ölçüde deneyime ve tekrarlanan deneylere güvendiler; bu, önemli ölçüde zaman ve maliyet tüketen bir süreçtir.

Yapay zekaya film yapısını öğretmek

Bu karmaşık ilişkiyi çözmek için araştırma ekibi, solventlerin fiziksel özellikleri ile kuantum noktalı ince filmlerin ortaya çıkan yapısı arasındaki bağlantıyı öğrenmek için bir yapay zeka modeli eğitti. İlk önce beş temsili çözücü kullanarak kuantum nokta filmleri ürettiler ve atomik kuvvet mikroskobu (AFM) kullanarak yüzeyin tekdüzeliğini ölçtüler.

Ekip daha sonra ilgili film morfolojisi verilerinin yanı sıra solvent özelliği verileri (buhar basıncı, viskozite, yoğunluk, dielektrik sabiti ve daha fazlası) üzerine bir makine öğrenme modeli eğitti ve bu modelin, en düzgün kuantum noktalı filmi üretecek solvent özelliklerini ters olarak tahmin etmesini sağladı.

Atomik kuvvet mikroskobu (AFM), bir numunenin yüzeyini taramak ve yükseklik değişimlerini ve pürüzlülüğünü ölçmek için ince bir prob kullanır.

Tahminleri karşılamak için solventleri harmanlama

Hiçbir solvent yapay zekanın önerdiği tüm optimal özelliklere sahip olmasa da araştırma ekibi, yapay zekanın önerdiği koşulları gerçekleştirmek için birden fazla çözücüyü birleştirdi. Yalnızca tekrarlanan deneylerle keşfedilmesi zor olan bu karmaşık kombinasyon, gerçek bir QLED üretim sürecine uygulandı ve tek bir geleneksel solventle yapılan cihazlarla karşılaştırıldığında kabaca iki kat verimlilik ve çalışma ömründe 40 kattan fazla artış elde edildi.

Kwak, “Bu araştırma, yapay zekanın veriye dayalı olarak teşhir malzemeleri ve süreçlerini tasarlamak için kullanılabileceğini gösteriyor” dedi. “OLED’ler ve güneş pilleri de dahil olmak üzere çeşitli yeni nesil elektronik cihazların geliştirilmesine de uygulanabileceğini umuyoruz.”