Minimierung des Schwellenspannungsparameters der Co

Scientific Reports Band 13, Artikelnummer: 12802 (2023) Diesen Artikel zitieren

325 Zugriffe

Details zu den Metriken

Ziel dieser Studie ist es, den Einfluss der co-dotierten Halbleiter-Nanostruktur (Al-Cu):ZnO auf die elektrooptischen Eigenschaften der E7-kodierten rein nematischen Flüssigkristallstrukturen zu untersuchen und die Schwellenspannung des reinen E7-Flüssigkristalls zu minimieren. Um die idealen Konzentrationsverhältnisse der Materialien für die minimale Schwellenspannung zu ermitteln, verwendeten wir verschiedene maschinelle Lernalgorithmen. In diesem Zusammenhang haben wir zunächst zwölf Verbundstrukturen durch Laborexperimente mit unterschiedlichen Konzentrationen hergestellt und einen experimentellen Datensatz für die Algorithmen des maschinellen Lernens erstellt. Als nächstes wurden die idealen Konzentrationsverhältnisse mithilfe des AdaBoost-Algorithmus geschätzt, der im experimentellen Datensatz einen \(R^2\) von 96 % aufweist. Schließlich wurden weitere Verbundstrukturen mit den geschätzten Konzentrationsverhältnissen hergestellt. Die Ergebnisse zeigen, dass mit Hilfe der verwendeten Algorithmen des maschinellen Lernens die Schwellenspannung des reinen E7-Flüssigkristalls durch die (Al-Cu):ZnO-Dotierung um 19 % reduziert wurde.

Zinkoxid (ZnO) ist ein umfassend erforschtes Material, da seine Bandlücke von etwa 3,3 eV es für optoelektronische Anwendungen wie Leuchtdioden (LEDs) und Solarzellen attraktiv macht. Aufgrund seiner Bandlücke kann es auch Photonen mit hohen Energien absorbieren und eignet sich daher für die Photodetektion und Photokatalyse. Darüber hinaus sind seine ungiftige Struktur, chemische und thermische Stabilität, hohe Elektronenmobilität, günstige Produktionskosten und einzigartige elektrisch-optische und dielektrische Eigenschaften bei Raumtemperatur weitere Vorteile dieses Materials1,2. Aus diesem Grund wurde ZnO zu einem beliebten Material für optoelektronische Geräte mit kurzer Wellenlänge, Transistoren, Fotodioden und auf Flüssigkristallen (LC) basierende Sensoren und Laseranwendungen3. Die ZnO-Struktur kann mit einigen Elementen wie Fe4, Cu5,6, Co7, Gd8 oder Al9 dotiert werden, um ihre optischen und elektrischen Eigenschaften zu verbessern. In den letzten Jahren wurden viele Studien durchgeführt, um die Wirkung von Co-Dotierstoffen wie (Cu-Mg)10, (Cd-Ni)11, (Al-In)12, (Fe-Al)13, ( Al-Cu)14 auf die elektrooptischen Eigenschaften von ZnO, und es wurde gezeigt, dass die elektrooptischen Eigenschaften des ZnO-Nanomaterials durch Co-Dotierung verbessert werden.

Kupferdotiertes Zinkoxid (Cu:ZnO) hat aufgrund seiner einzigartigen optischen und elektrischen Eigenschaften in letzter Zeit großes Interesse auf sich gezogen. Einer der Hauptvorteile von Cu:ZnO ist seine Fähigkeit, die optischen Eigenschaften von ZnO zu verbessern. Der Einbau von Kupferionen in das ZnO-Gitter führt zu einer Verschiebung der Bandlückenenergie, was zu einer Änderung der optischen Absorptions- und Emissionseigenschaften führen kann6,15. Dies macht Cu:ZnO zu einem vielversprechenden Material für optoelektronische Anwendungen wie ultraviolette (UV) LEDs und Solarzellen. Ein weiterer Vorteil von Cu:ZnO ist seine Fähigkeit, die elektrischen Eigenschaften von ZnO zu verbessern. Das Vorhandensein von Kupferionen im ZnO-Gitter führt zur Bildung zusätzlicher Elektronen und Lochträger, was die Leitfähigkeit und Beweglichkeit des Materials erhöht. Dies macht Cu:ZnO für elektronische Anwendungen wie Sensoren und Transistoren attraktiv. Die Dotierung von Aluminium in ZnO ist eine Technik zur Verbesserung der elektronischen und optischen Eigenschaften des Materials. Zu den Vorteilen dieses Prozesses gehören eine erhöhte Leitfähigkeit, eine verbesserte optische Absorption und eine verbesserte thermoelektrische Leistung16. Potenzielle Anwendungen von mit Aluminium dotierten Zinkoxiden sind in den Bereichen Elektronik, Optoelektronik, Thermoelektrik, biomedizinische und antimikrobielle Anwendungen sehr vielversprechend17. Aufgrund dieser Merkmale wurden in dieser Studie Al und Cu als die zu ZnO zu dotierenden Elemente für das co-dotierte ZnO-Nanopartikel ausgewählt.

LCs erfreuen sich in den letzten Jahren aufgrund ihrer einzigartigen Kombination aus flüssigkeits- und feststoffähnlichen Eigenschaften immer größerer Beliebtheit. Einer der Hauptgründe für die Beliebtheit von LCs ist ihre Fähigkeit, ihre elektrooptischen Eigenschaften als Reaktion auf ein angelegtes elektrisches Feld zu ändern. Diese Eigenschaft ist als elektrooptischer Effekt bekannt und wird häufig in Flüssigkristallanzeigen (LCDs) genutzt, die die häufigste Anwendung von LCs darstellen. Neben LCDs wurden LCs auch in anderen elektronischen Geräten wie elektrooptischen Modulatoren, Sensoren und Solarzellen verwendet18. Die Dotierung von LCs kann zu einer Vielzahl von Vorteilen führen, wie z. B. verbesserten elektrooptischen Eigenschaften, erhöhter thermischer Stabilität und verbesserten Ausrichtungseigenschaften. Es wurde festgestellt, dass Dotierstoffe wie Metalloxide die elektrooptischen Eigenschaften von LCs verbessern19. Als Dotierstoffe verwendete Metalloxide sind typischerweise Übergangsmetalloxide wie Titandioxid (\(TiO_{2}\))20, Zinkoxid (ZnO)21 und Bariumtitanat (\(BaTiO_{3}\))22. Die Dotierung von ZnO-Nanopartikeln (NPs) in LC ändert die molekulare Ausrichtung und verringert die Schwellenspannung (\(V_{th}\)), was zu einem geringeren Stromverbrauch führt23,24. Insbesondere die Dotierung mit geringen ZnO-Konzentrationen verbesserte die dielektrische und elektrooptische Reaktionsfähigkeit.

Der Prozess der Materialerstellung ist zeitaufwändig, aufwändig und teuer. Um einen Verbundwerkstoff mit den gewünschten Eigenschaften herzustellen, sind zahlreiche Proben erforderlich, was zu erhöhten Materialkosten führt. Daher wenden wir in dieser Studie eine quasi-experimentelle Methodik an, die physikalische Experimente mit starken, auf maschinellem Lernen basierenden Vorhersagealgorithmen kombiniert. Das Entwerfen robuster Vorhersagemodelle kann hilfreiche Einblicke in die Eigenschaften von Proben liefern, die nicht experimentell hergestellt wurden.

Der Einsatz von Techniken des maschinellen Lernens (ML) in der Materialwissenschaft hat zugenommen, da sie in der Lage sind, nichtlineare Beziehungen zu verarbeiten25,26,27. Insbesondere in den letzten Jahren haben mehrere Forscher ML-Algorithmen verwendet, um bestimmte Eigenschaften von LCs vorherzusagen, wie z. B. durchschnittliche Ordnungsparameter, Probentemperatur, cholesterische Ganghöhenlänge und Phasenübergangstemperatur28,29,30. Zusätzlich zu diesen Arbeiten verwendeten einige Forscher ML-Algorithmen, um die Schwellenspannung einiger Materialien abzuschätzen. Moparthi et al. verwendeten einen ML-Ansatz zur Bewertung des Einflusses der Prozessvariabilität auf die Schwellenspannung eines verbindungslosen Silizium-auf-Isolator-Transistors31. Mishra et al. präsentiert einen auf einem genetischen Algorithmus basierenden Deep-Learning-Algorithmus zur Schätzung der Schwellenspannung eines Galliumnitrid-basierten Transistors mit hoher Elektronenmobilität32. Als Eingabeparameter verwendeten sie die maximale Transkonduktanz des Stroms und die Steigung unterhalb des Schwellenwerts und meldeten einen \(R^2\) von 0,978.

Allgemeiner Überblick über diese Studie.

Das Hauptziel dieser Studie besteht darin, die Schwellenspannung des E7-codierten reinen nematischen Flüssigkristalls durch Dotierung mit einer codotierten Halbleiter-Nanostruktur (Al-Cu):ZnO zu minimieren. Allerdings ist die Bestimmung der optimalen Konzentrationsverhältnisse der Materialien, die zur Bildung der Verbundstruktur mit einem niedrigen \(V-{th}\) verwendet werden, ein grundlegendes Problem. Um diese Herausforderung zu bewältigen, wurden zunächst (Al-Cu):ZnO-Halbleiter-Nanomaterialien mit unterschiedlichen Konzentrationen synthetisiert und die synthetisierten Nanomaterialien dem nematischen Flüssigkristall E7 in Gewichtsverhältnissen von 1 %, 3 % und 5 % zugesetzt. Auf diese Weise erhielten wir 12 Verbundstrukturen und erstellten einen experimentellen Datensatz, indem wir ein elektrooptisches Transmissionssystem für diese Verbundwerkstoffe verwendeten. Als Nächstes haben wir mithilfe von ML-Algorithmen ein zuverlässiges Vorhersagemodell entwickelt, um die Schwellenspannung der Verbundwerkstoffe abzuschätzen. Nachdem wir unser Vorhersagemodell anhand des experimentellen Datensatzes trainiert hatten, versuchten wir, die optimalen Konzentrationsverhältnisse der Materialien zu finden, die die minimale Schwellenspannung ergeben würden. Anschließend wurden unter Verwendung der durch die Vorhersagemodelle ermittelten Konzentrationsverhältnisse drei neue Verbundstrukturen erhalten und die elektrooptischen Eigenschaften dieser Verbundstrukturen untersucht. Abbildung 1 stellt die allgemeine Methodik dar, die in dieser Studie angewendet wurde.

Der Hauptbeitrag dieser Arbeit ist die etablierte Materialdesignmethodik zur Herstellung von Verbundwerkstoffen mit gewünschten Eigenschaften. Üblicherweise wurde LC mit reinem ZnO33,34 oder einfach dotiertem ZnO-Nanomaterial35 dispergiert. In der Literatur wurden co-dotiertes ZnO und LC nur in einer Studie untersucht. Eskalen et al. untersuchten die Auswirkung des MWCNT/SiO\(_{2}\)@ZnO-Nanokomposits (Multi-Walled Carbon Nanotube-MWCNT; Siliziumdioxid-SiO\(_{2}\)) auf das thermische und elektrische Verhalten des nematischen E7 Flüssigkristall21. Die Autoren untersuchten nur die vorgegebenen Konzentrationsverhältnisse von Nanokompositen und berichteten über das elektrische Verhalten des nematischen Flüssigkristalls E7. Die wichtigste Neuheit unserer Studie ist daher die Verwendung von Algorithmen für maschinelles Lernen, um die idealen Konzentrationsverhältnisse von Nanokompositen mit den niedrigsten Spannungswerten zu bestimmen.

Al-Cu-dotierte ZnO-Materialien wurden durch die Gelzündungsmethode hergestellt. Für die ZnO-Synthese wurden Zinknitrat ((Zn(NO_{3})_{2}\), >99 %, Merck) und Harnstoff (\(NH_{2}CONH_{2}\)) als Brennstoff verwendet. Hochreines Aluminiumnitrat (\(Al(NO_{3})_{3}\, >99 %, Merck) und Kupfer(II)-nitrat (\(Cu(NO_{3})_{2}\), >99 %, Merck) wurden für die co-dotierten Proben verwendet. Alle Artikel wurden im stöchiometrischen Verhältnis gewogen. In einem Quarzbecher wurden 10 ml destilliertes Wasser zum Auflösen von Nitraten verwendet. Harnstoff wurde in das Becherglas gegeben und die Mischung 1 Stunde lang bei 80 \(^{\circ }\)C mit einem Magnetrührer gerührt. Dann wurde der Deckel des Becherglases entfernt und die Mischung bei der gleichen Temperatur gerührt, um überschüssiges Wasser zu verdampfen, bis eine gelartige Konsistenz erreicht war36. Nach der Verdampfung des Wassers schloss eine Flammenverbrennungsreaktion den Syntheseprozess ab. Das Produkt wurde in einem Muffelofen auf 800 \(^{\circ }\)C erhitzt, um organische Verunreinigungen in Form von Flugasche zu entfernen und instabile kristalline Phasen in stabile Phasen umzuwandeln37. Die erhaltenen Materialien wurden in einem Exsikkator gelagert, um eine Wechselwirkung mit atmosphärischen Gasen zu verhindern. Auf diese Weise wurden vier NP mit unterschiedlichen Verhältnissen von Al und Cu synthetisiert. Die Liste dieser NPs ist in Tabelle 1 aufgeführt.

Ein bei Raumtemperatur nematischer LC E7 von Merck, Zusammensetzungen: 4-Cyano-4\('\)-n-pentyl-biphenyl (51 %), 4-Cyano-4\('\)-n-heptyl-biphenyl (25). %), 4-Cyano-4\('\)-n-oxyoctyl-biphenyl (16%) und 4-Cyano-4\(''\)-n-pentyl-biphenyl (8%) mit dielektrischer Anisotropie (\ ({\Delta \varepsilon '}\)) = \(+\)13,8, Doppelbrechung (\({\Delta }\)n)= 0,20 und nematisch-isotrope Temperatur (\(T_{NI})= 60,5^{ \circ }\)C wurden für die Experimente verwendet. Die molekularen Strukturen des nematischen Flüssigkristalls E7 sind in Abb. 2 dargestellt.

Die molekularen Strukturen des nematischen Flüssigkristalls E7.

Vier synthetisierte NPs wurden in E7 in einer Konzentration von 1 %, 3 % und 5 % (Gewicht/Gewicht) dotiert und es wurden 12 verschiedene Proben erhalten, die in Tabelle 2 aufgeführt sind. Diesen Proben wurde auch Chloroform als Lösungsmittel zum Auflösen der NPs zugesetzt. Die Proben wurden 6 Stunden lang in einem Ultraschallbad bei 50 \(^{\circ }\)C gehalten, um eine homogene Dispersion sicherzustellen. Anschließend wurden die Proben eine Zeit lang auf 60 \(^{\circ }\)C erhitzt, um das Lösungsmittel (Chloroform) zu entfernen, bevor sie 24 Stunden lang auf Raumtemperatur abgekühlt wurden. LC-Zellen mit planer Ausrichtung wurden mithilfe der Kapillartechnik bei einer Temperatur, die etwa 5 \(^{\circ }\)C höher als die isotrope Temperatur war, mit Proben gefüllt. Die mit Indium-Zinn-Oxid (ITO) beschichteten 7,7 \(\mu\)m dicken LC-Zellen (hergestellt von Instec, USA) haben einen Schichtwiderstand von 100 \({\Omega }\).

Unter Verwendung einer elektrooptischen Schalttechnik wurden elektrooptische Messungen bei einer Rechteckwellenfrequenz von 1 kHz und einem Spannungsbereich von 0–20 \(V_{pp}\) durchgeführt. Bei dieser Technik wurde ein He-Ne-Laserstrahl mit einer Wellenlänge von 632,8 nm als Eingangssignal verwendet und der Strahl durch die LC-Zelle geleitet, die zwischen einem Polarisator und einem Analysator positioniert war, die sich in einer gekreuzten Position befanden. Dabei wurde der Spannungswert mit einem Funktionsgenerator um 10 mV-Schritte erhöht und das detektierte Lichtintensitätssignal aufgezeichnet.

Algorithmen für maschinelles Lernen sind Methoden, die einen Lernprozess durchführen, um ein Modell zur Beschreibung der Beziehung zwischen bestimmten Eingabe- und Ausgabedaten zu erstellen. Der Lernprozess wird durch Anpassen der Hyperparameter des Modells erreicht, um Vorhersagefehler in einem unabhängigen Validierungsdatensatz zu minimieren. In ML-Algorithmen können zwei verschiedene Ansätze angewendet werden, nämlich Klassifizierung und Regression. Bei der Klassifizierung wird die Stichprobe mit einer der vorgegebenen Klassenbezeichnungen gekennzeichnet, während bei der Regression ein numerischer Wert als Ausgabe geschätzt wird. Da wir in dieser Studie die Transmissionswerte vorhersagen möchten, haben wir die Regressionsversion von ML-Algorithmen verwendet.

Vier verschiedene ML-Regressionsalgorithmen (k-Nearest Neighbor, Decision Tree, Extra Tree und AdaBoost) wurden für den experimentellen Datensatz zur Schätzung der Schwellenspannung verwendet. Zur Ausführung der ML-Algorithmen wurde Scikit-learn verwendet, eine weit verbreitete Python-Bibliothek für maschinelles Lernen. Die Vorhersageleistungen der Algorithmen wurden mithilfe einer k-fachen Kreuzvalidierung bewertet. Die Hyperparameter von Algorithmen sind einer der wichtigsten Faktoren für ihre Vorhersageleistung. Daher wurde in Scikit-learn eine Rastersuchtechnik durchgeführt, um die optimalen Ebenen der Hyperparameter für die Algorithmen zu bestimmen.

k-Nearest Neighbor (kNN) ist ein unkomplizierter ML-Algorithmus, der davon ausgeht, dass ähnliche Datenpunkte hinsichtlich der Entfernung nahe beieinander liegen38. Um den Wert eines neuen Datenpunkts abzuschätzen, wird die Entfernung dieses Punkts zu den vorhandenen berechnet und seine k nahen Nachbarn überprüft. Die kritischsten Hyperparameter, die die Leistung des kNN-Algorithmus beeinflussen, sind die Anzahl der Nachbarschaften und die Distanzmetrik. In dieser Studie wurde die Anzahl der Nachbarn in [1, 2, 3, ..., 20] und die Distanzmetrik in [Minkowski-, Euklidische-, Manhattan]-Metriken optimiert, um den kNN-Algorithmus zu entwerfen.

Der Entscheidungsbaum-Algorithmus (DT) verwendet eine Baumstruktur, um eine Reihe möglicher Entscheidungspfade und ein Ergebnis für jeden Pfad darzustellen. Die Knoten im Baum stellen ein Ereignis oder eine Auswahl dar, und die Zweige stellen die Entscheidungsregeln oder -bedingungen dar39. Der erste Knoten des Entscheidungsbaums wird als Wurzelknoten bezeichnet, und die untersten Knoten werden als Blattknoten bezeichnet. Die Knoten zwischen der Wurzel und den Blättern werden Intervallknoten genannt. Die Blattknoten liefern die endgültige Vorhersage. Bei Regressionsproblemen verwendet der DT-Algorithmus Entscheidungsbäume, um die numerischen Ergebnisse durch wiederholtes Teilen des Baums vorherzusagen. Der kritischste Hyperparameter des Entscheidungsbaumalgorithmus ist die maximale Tiefe des Baums. Für den Entwurf des DT-Algorithmus in dieser Studie wurde die maximale Tiefe des Baums in [2,3, 4, 5, ..., 20] optimiert.

Extra Trees (EXT) ist ein Ensemble-Lernalgorithmus. Ensemble-Lernen ist einer der neuen Trends in der ML-Forschung, bei der dasselbe Lernmodell mit unterschiedlichen Trainingssätzen verwendet oder mehr als ein Lernmodell kombiniert wird, anstatt ein einzelnes Modell für denselben Trainingssatz zu verwenden. Ensemble-Lernansätze übertreffen in der Regel herkömmliche Lernalgorithmen40. EXT verwendet eine zufällige Teilmenge von Funktionen, um jeden Basislerner zu trainieren, indem der gesamte Trainingssatz zum Trainieren jedes Baums verwendet wird41. Außerdem wird in EXT eine zufällige Verzweigung bevorzugt, anstatt die lokal optimale Trennung anhand von Entscheidungskriterien zu berechnen. Die kritischsten Hyperparameter des EXT-Algorithmus sind die maximale Tiefe des Baums und die Anzahl der Schätzer. Für den Entwurf des in unserer Studie verwendeten EXT wurde die maximale Tiefe des Baums in [2, 3, 4, ..., 20] und die Anzahl der Schätzer in [10, 20, 30, ..., optimiert. 200].

Darstellung der verwendeten Machine-Learning-Algorithmen: (a) kNN, (b) DT, (c) ET und (d) AB.

AdaBoost (Adaptive Boosting – AB) ist ein weiterer Ensemble-Lernalgorithmus, der auf der Boosting-Methode basiert. Bei der Boosting-Methode werden die Modelle nacheinander trainiert. Jedes Modell sieht das Vorgängermodell und lernt daraus. Der AB-Algorithmus führt nacheinander eine große Anzahl von Lernalgorithmen aus, die als schwache Lernende bezeichnet werden, um die Vorhersageleistung zu erhöhen. Die endgültige Schätzung des Algorithmus wird durch den gewichteten Durchschnitt der Ergebnisse der schwachen Lernenden erhalten42. Zu Beginn des AB-Algorithmus beginnen die Trainingsproben mit gleichen Gewichten. Dann werden bei jeder Iteration die Stichprobengewichte separat geändert und der Lernalgorithmus wird erneut auf die neu gewichteten Daten angewendet. Während die Gewichte der vom Modell im vorherigen Schritt falsch vorhergesagten Trainingsstichproben erhöht werden, werden die Gewichte der korrekt vorhergesagten Stichproben verringert. Während der Algorithmus funktioniert, nehmen die Gewichte der schwer zu erratenden Stichproben allmählich zu. Somit ist jeder nachfolgende schwache Lernende gezwungen, sich auf komplexere Fälle zu konzentrieren. Die wichtigsten Hyperparameter für AB sind der Basislerner und die Anzahl der Schätzer. Für den Entwurf des AB in dieser Studie wurde die Anzahl der Schätzer in [10, 20, 30, ..., 200] und der Basislerner in [kNN, DT, EXT] optimiert. Abbildung 3 zeigt die in dieser Studie verwendeten ML-Algorithmen und Tabelle 3 listet die Fehlermetriken auf, die zur Bewertung der Leistung der Algorithmen verwendet werden (wobei n die Anzahl der Beobachtungen ist).

Rasterelektronenmikroskopbilder (REM) wurden analysiert, um die morphologische Struktur und Eigenschaften von Nanostrukturen zu untersuchen, die mit und ohne Zusatzstoffe synthetisiert wurden. Die bekannte hexagonale Kristallstruktur des undotierten ZnO erscheint in Abb. 4a43 morphologisch als Platten. Abbildung 4b–d zeigt mit Al-Cu-Ionen dotierte ZnO-NPs in unterschiedlicher Vergrößerung. Es zeigt sich, dass der Einfluss der Zündreaktion des Dotierungsprozesses in den dotierten Strukturen die Zündfähigkeit des Kraftstoffs steigert. In Abb. 4b – d ist zu sehen, dass die während der Reaktion erzeugte Wärme die Porendichte und den Gasausstoß der synthetisierten Proben erhöht. Darüber hinaus zeigen diese Faktoren bei der Verbrennung, dass die hexagonale Form in der Sinterstruktur beeinträchtigt wird. Anhand der morphologischen Struktur ist ersichtlich, dass der Dotierungsprozess viele Eigenschaften des Materials verändert, wie beispielsweise die Verringerung der Oberfläche und der Partikelgröße44.

REM-Bilder des synthetisierten (a) reinen ZnO und (Al-Cu):ZnO unter unterschiedlicher Vergrößerung (b) 10 \(\mu\)m (c) 2 \(\mu\)m (d) 100 nm.

Gemäß den SEM-EDX/Elementarkartierungsbildern der synthetisierten ZnO-Nanopartikel ist die Verteilung der Al- und Cu-Zusätze in der Struktur in Abb. 5 dargestellt. Die Kartierungsbilder bestätigen, dass die Al- und Cu-Zusätze homogen in der Hauptstruktur verteilt sind45 .

(a) EDX-Spektrum des co-dotierten ZnO und Elementkartierung von (b) Zink (Zn), (c) Sauerstoff (O), (d) Aluminium (Al) und (e) Kupfer (Cu).

Röntgenbeugungsmuster für das synthetisierte (a) reine ZnO (b) co-dotiertes ZnO und (c) ZnO-Referenznummer: 01-073-8765.

Die Kristallphasenbewertung für die Strukturgenauigkeit aller undotierten und dotierten ZnO-Proben, die durch die Zündreaktion synthetisiert wurden, wurde durch die Röntgenbeugungstechnik (XRD) bestimmt. Abbildung 6 zeigt die Reflexionslinien der synthetisierten NPs, die Referenzreflexionslinien der ZnO-Struktur und die Miller-Index-Reflexionslinien. Hier entspricht die Kristallphase der durch die Ignition-Methode synthetisierten Proben (a) dem reinen ZnO-Kristall und (b) dem mit Al und Cu dotierten ZnO-Nanomaterial. Obwohl der Miller eine Kristallstruktur gemäß den Reflexionslinien nicht stört, verursachen sie Spannungen im Kristallgitter in der Hauptstruktur der dotierten Materialien. Dennoch wurde kein Unterschied in der Struktur beobachtet44.

Diese Ergebnisse zeigen uns, dass die Änderungen der Partikelgröße und des Ladungsgleichgewichts in der dotierten synthetisierten Struktur eine elektrostatische Wechselwirkung geladener Partikel und eine Änderung des Oberflächenpotentials verursachen.

Mithilfe eines elektrooptischen Transmissionssystems wurde die elektrooptische Leistung der LCs bewertet. In diesem System wurden Transmissionswerte entsprechend verschiedenen Spannungswerten erfasst und Transmissions-Spannungsdiagramme erstellt. Während der Transmissionsmessung wurden die LC-Zellen zwischen gekreuzten Polarisatoren in einem Winkel von 45 \(^{\circ }\) zur optischen Achse des einfallenden Lichts positioniert. Die Intensität des durch eine Zelle übertragenen Lichts ergibt sich aus der folgenden Gleichung46:

wobei \(\varphi _{1}\) und \(\varphi _{2}\) die Winkel zwischen der Orientierungsrichtung und den beiden Polarisatoren sind und \(\delta\) die Phasenverzögerung ist. Die Schwellenspannung ist als die Spannung definiert, bei der sich die anfängliche Übertragung der Zelle zu ändern beginnt, und wird durch die folgende Gleichung ausgedrückt19:

wobei \(\Delta \varepsilon '\) und \(K_{11}\) als Parameter der dielektrischen Anisotropie bzw. Spreizelastizitätskonstante definiert sind. \(\varepsilon _0\) Dielektrizitätskonstante der freien Raumladung (\(\varepsilon _0=8,85\times 10^{-14} F cm^{-1}\)).

Transmissions-angelegte Spannungsdiagramme des nematischen E7-Flüssigkristalls.

\(V_{th}\), ein entscheidender Parameter für den LC, ist der minimale Spannungswert, der zur Neuausrichtung von LC-Molekülen erforderlich ist, und kann aus den Transmissions-Spannungs-Diagrammen (TV) berechnet werden, indem der Spannungswert bestimmt wird, bei dem das durchgelassene Licht durchgelassen wird Intensität ändert sich um 10 %. Das normalisierte TV-Diagramm für den reinen Flüssigkristall E7 ist in Abb. 7 dargestellt. Anhand von Abb. 7 wurde der \(V_{th}\)-Wert von E7 mit 0,78 V bestimmt, was mit Ergebnissen aus der Literatur übereinstimmt47. Hsu et al. berichteten über ähnliche Ergebnisse des \(V_{th}\)-Werts des E7-Flüssigkristalls unter Verwendung des TV-Diagramms19. In ähnlicher Weise ermittelten Nayek und Yi, dass \(V_{th}\) des nematischen Flüssigkristalls E7 bei einer Frequenz von 1 kHz 0,77 V48 betrug. Darüber hinaus wird ein heller Zustand erhalten, wenn der Direktor der LC-Moleküle in Bezug auf den gekreuzten Polarisator und Analysator im Winkel von 45 \(^{\circ }\) ausgerichtet ist. Wenn LC-Moleküle noch einmal um 45 \(^{\circ }\) gedreht werden, richtet sich der Direktor parallel zum Analysator aus, was zu einem dunklen Zustand führt47.

Zu Beginn ist die angelegte Spannung minimal und aufgrund der Verankerungsbedingungen sind die LC-Moleküle in der Ebene des LC-Zellensubstrats ausgerichtet (Abb. 8a,b); Dies wird so lange fortgesetzt, bis ein \(V_{th}\)-Wert erreicht ist. Wenn die angelegte Spannung \(V_{th}\) überschreitet, ändert sich die Ausrichtung der LC-Moleküle von planar zu homöotrop (Abb. 8c), was durch den elektrisch gesteuerten Doppelbrechungseffekt erklärt wird. Steigt die Spannung weiter an, nimmt der Transmissionsgrad zunehmend ab, bis er seinen niedrigsten Wert erreicht. Durch die Neuausrichtung der Moleküle werden die LC-Moleküle entlang des angelegten elektrischen Feldes ausgerichtet (Abb. 8d). Es ist zu beobachten, dass mit zunehmender Spannung die minimalen und maximalen Spitzen erreicht werden. Der Grund für diese Spitzen kann durch die Dicke der LC-Zelle, den Doppelbrechungswert der Probe und die Wellenlänge des bei der Messung verwendeten Lasers erklärt werden. Dadurch variiert die Anzahl der maximalen und minimalen Spitzen im TV-Diagramm, was etwa \(\Delta nd/ \lambda\) entspricht. Hier symbolisiert d die Dicke der Zelle, \(\lambda\) die Wellenlänge der Lichtquelle und \(\Delta n\) die Doppelbrechung47,49. Das TV-Diagramm für E7 zeigt deutlich zwei Peaks in Abb. 7.

Schematische Diagramme für Moleküle in planarer Geometrie in Zuständen ohne Spannung (a) \(V=0\) und mit Spannung (b) \(V V_{th}\).

Transmissions-angelegte Spannungsdiagramme von Verbundstrukturen.

Ziel dieser Untersuchung ist es, Verbundstrukturen mit einem niedrigeren \(V_{th}\) als reines E7 zu etablieren. Um die \(V_{th}\)-Werte von 12 Verbundstrukturen zu bestimmen, die durch unterschiedliche Dotierungsverhältnisse von (Al-Cu):ZnO-Nanopartikeln erzeugt wurden, wurden normalisierte TV-Diagramme wie in Abb. 9 erhalten. In einem Niederspannungsbereich wurde die Die Durchlässigkeit der Verbundwerkstoffe ist nahezu konstant und die LC-Moleküle sind parallel zu den Substraten der LC-Zelle ausgerichtet und weisen eine höhere Durchlässigkeit auf. Allerdings nimmt die Durchlässigkeit ab einem bestimmten Spannungswert erheblich ab, wenn die Moleküle beginnen, sich von planar zu homöotrop umzuorientieren, was zu einem dunklen Zustand oder einer sehr geringen Durchlässigkeit führt.

Die \(V_{th}\)-Werte der 12 LC-Verbundstrukturen, die mit unterschiedlichen Konzentrationen von (Al-Cu):ZnO-Nanopartikeln dotiert waren, sind in Tabelle 4 dargestellt. Im Vergleich zum reinen E7-Flüssigkristall wurde festgestellt, dass die \(V_ {th}\) Parameter von mit (Al-Cu)ZnO-Nanopartikeln dotierten Verbundstrukturen geändert. Es ist ersichtlich, dass \(V_{th}\) in Verbundstrukturen niedriger ist, in denen NP2 mit niedrigem Al-Anteil und hohem Cu-Anteil in niedriger Konzentration in E7 dotiert ist (CS2 und CS6). Darüber hinaus steigt der \(V_{th}\) mit zunehmender Konzentration von Nanopartikeln (NP2 und NP4), die in reinem LC besonders viel Cu enthalten. Das (Al-Cu):ZnO-dotierte Verbundsystem erzeugt aufgrund der höheren Ladungsdichte eine Energiebarriere. Die Dotierung des LC mit Nanopartikeln führt zur Bildung freier Elektronen, ZnO, Al und Cu; Diese freien Elektronen dringen dann in die LC-Schicht ein, was zu einem Anstieg der Ladungsdichte entlang der Grenzfläche führt. Diese Situation erfordert, dass die Moleküle eine höhere Schwellenspannung haben18.

Der experimentelle Datensatz bestand aus 942 Proben (Messungen wurden bei durchschnittlich 78 verschiedenen Spannungswerten für jede Verbundstruktur durchgeführt) mit vier Eingabemerkmalen (Dispersionsrate von Al in ZnO, Dispersionsrate von Cu in ZnO, Dispersionsrate der Nanostruktur in nematischem LC). und angelegter Spannungswert) und einem Ausgangsparameter (Transmissionswert). Tabelle 5 zeigt die grundlegenden Eigenschaften des experimentellen Datensatzes.

Die Hyperparameter der maschinellen Lernalgorithmen haben einen erheblichen Einfluss auf die Verhinderung von Überlernen und die Steigerung der Vorhersageleistung. Bei der Optimierung der Hyperparameter durch die Rastersuchmethode wurde für kNN das beste Ergebnis mit dem Manhattan-Distanzmaß mit k = 2 erzielt. Eine maximale Tiefe von 13 ergab die höchste Genauigkeit für DT. Für ET wurde die höchste Genauigkeit erreicht, wenn die maximale Tiefe 20 betrug und die Anzahl der Schätzer 110 betrug. Schließlich wurde das beste Ergebnis für AB mit dem Extra Trees Regressor-Schätzer unter Verwendung von 100 als Basislerner erzielt.

Alle ML-Algorithmen wurden mit der 10-fachen Kreuzvalidierungstechnik durchgeführt und die Vorhersageleistung dieser Algorithmen für Transmissionswerte wurde mit MAE, RMSE und \(R^{2}\) getestet.

Vorhersageleistung der Algorithmen (a) kNN, (b) DT, (c) EXT (d) AB.

Abbildung 10 zeigt die Korrelationen zwischen den gemessenen und vorhergesagten Transmissionswerten. In den Diagrammen stellen die horizontalen Achsen die gemessenen Transmissionswerte dar, während die vertikalen Achsen die von den Algorithmen vorhergesagten Werte darstellen. Basierend auf diesen Ergebnissen scheint es, dass der AB-Algorithmus die höchste Vorhersageleistung aufweist, während DT die schlechteste Vorhersageleistung bei der Vorhersage des Transmissionswerts aufweist.

Tabelle 6 zeigt den Vergleich der MAE-, RMSE- und \(R^{2}\)-Werte der Algorithmen. Aus der Tabelle geht hervor, dass der \(R^{2}\)-Wert des AB-Algorithmus über 96 liegt. Wenn man außerdem bedenkt, dass der durchschnittliche Transmissionswert im experimentellen Datensatz 74,21 beträgt, beträgt der MAE-Wert des AB-Algorithmus (4,44). auf einem akzeptablen Niveau. Daraus lässt sich schließen, dass mit dem AB-Algorithmus die Transmissionswerte einer Verbundstruktur mit hoher Genauigkeit vorhergesagt werden können.

Die Vorhersageergebnisse zeigen, dass unser Vorhersagemodell, das den AB-Algorithmus verwendet, Transmissionswerte mit hoher Genauigkeit vorhersagen kann. Um die Konzentrationsverhältnisse der Materialien mit dem minimalen \(V_{th}\) zu bestimmen, haben wir mithilfe des entwickelten Modells einen Brute-Force-Suchansatz durchgeführt. Bei der Brute-Force-Suche ändern sich die Konzentrationsverhältnisse von Al und Cu in (Al-Cu):ZnO zwischen 1 und 8 (mit Schrittweite 1), das Konzentrationsverhältnis von (Al-Cu):ZnO im nematischen E7-LC ändert sich zwischen 1 und 5 (mit Schrittweite 1) und der Spannungswert bei elektrooptischen Messungen ändert sich zwischen 0,01 und 10 (mit Schrittweite 0,005). Wir haben die Transmissionswerte für jede Kombination mithilfe des AB-Algorithmus vorhergesagt, der auf dem experimentellen Datensatz trainiert wurde. Anschließend wurde das \(V_{th}\) jeder zusammengesetzten Struktur geschätzt, wie in Abschn. „Erkennung der Schwellenspannung der Verbundwerkstoffe“.

Bei einer Brute-Force-Suche wurde festgestellt, dass 26 verschiedene Verbundstrukturen (unter 320 verschiedenen Kombinationen von Konzentrationsverhältnissen) niedrigere Schwellenspannungen aufweisen als die rein nematischen Flüssigkristalle. Bei der Analyse dieser Verbundstrukturen wurde festgestellt, dass sich das Konzentrationsverhältnis von Al in (Al-Cu):ZnO zwischen 1 und 5 und das Konzentrationsverhältnis von Cu in (Al-Cu):ZnO zwischen 5 und 8 änderte. Darüber hinaus betrugen die Konzentrationsverhältnisse von (Al-Cu):ZnO im E7-Flüssigkristall 1 und 2. Diese Ergebnisse sind mit der Literatur kompatibel18. Das experimentelle Erhalten aller vorhergesagten Verbundstrukturen ist aus Kosten- und Zeitgründen praktisch nicht sinnvoll. Daher betrachteten wir die Verbundstrukturen mit Konzentrationsverhältnissen von 1, 5 und 8 für Al und Cu in (Al-Cu):ZnO und 1 und 2 (Al-Cu):ZnO im E7-Flüssigkristall, da dies die Grenzen und die meisten waren Gemeinsame Werte in Vorhersagen. Deshalb haben wir uns entschieden, drei neue Strukturen zu schaffen, die die vorgeschriebenen Bedingungen erfüllen.

Tabelle 7 listet die zugehörigen Verbundstrukturen auf. Diese drei neuen Verbundstrukturen, die in den ML-Vorhersagen vorgeschlagen wurden, wurden experimentell unter Verwendung der gleichen Verfahren in den Abschn. „Synthese von co-dotierten ZnO-Nanopartikeln“ und „Herstellung der mit Nanopartikeln dotierten LC-Verbundwerkstoffe“. Zu diesem Zweck wurden neue Nanopartikel für NP5 ((1 % Al–5 % Cu):ZnO) und NP6 ((5 % Al–8 % Cu):ZnO) unter Verwendung identischer experimenteller Verfahren synthetisiert. Anschließend wurden die neuen Verbundstrukturen CS13, CS14 und CS15 durch Dotierung mit 1 % NP5, 1 % NP6 bzw. 2 % NP2 erhalten. Schließlich wurde die elektrooptische Leistung von Flüssigkristallen mithilfe eines elektrooptischen Transmissionssystems bewertet.

Tabelle 7 zeigt auch die vorhergesagten und gemessenen \(V_{th}\)-Werte. Es ist zu beobachten, dass 2 von 3 durch maschinelles Lernen vorgeschlagenen Materialien (CS13 und CS15) einen niedrigeren \(V_{th}\) aufweisen als der reine LC (0,78). Darüber hinaus weist CS13 mit einem \(V_{th}\)-Wert von 0,63 die niedrigste \(V_{th}\)-Spannung aller hergestellten Verbundwerkstoffe auf. Bei einer NP5-Dotierungskonzentration von 1 % beträgt die größte Abnahme von \(V_{th}\) 19 %.

Vergleich der Vorhersagen mit den experimentellen Daten für TV-Diagramme der endgültigen Verbundstrukturen.

Abbildung 11 zeigt die gemessenen und vorhergesagten Transmissionswerte von CS13, CS14 und CS15. Diese Abbildung zeigt, dass die vorhergesagten Transmissionswerte in hohem Maße mit den experimentellen Daten für alle drei Verbundstrukturen übereinstimmen. Darüber hinaus zeigt sich, dass das entwickelte Vorhersagemodell den ersten starken Rückgang der Transmissionswerte der Verbundstrukturen mit hoher Genauigkeit erkennen kann.

Die Herstellung von Materialien mit gewünschten Eigenschaften ist eine grundlegende Aufgabe der Materialwissenschaften. In dieser Arbeit wollten wir den \(V_{th}\) der co-dotierten ZnO-dotierten LCs minimieren. Die größte Herausforderung in dieser Richtung besteht darin, die idealen Konzentrationsverhältnisse der zur Bildung der Verbundstruktur verwendeten Materialien zu bestimmen. Wir haben verschiedene Algorithmen des maschinellen Lernens verwendet, um die idealen Konzentrationsverhältnisse der Materialien für das Minimum \(V_{th}\) zu bestimmen. Auf diese Weise wurden vier NPs mit unterschiedlichen Al- und Cu-Verhältnissen synthetisiert und zwölf neue Verbundwerkstoffe durch Dotieren des reinen E7 mit unterschiedlichen Konzentrationsverhältnissen dieser NPs hergestellt. Spannungsabhängige Transmissionsdaten der 12 Verbundstrukturen wurden unter Verwendung des elektrooptischen Transmissionssystems erhalten. Unter Verwendung vorab festgelegter Konzentrationsverhältnisse wurde der \(V_{th}\) von reinem LC um 9 % (CS2) reduziert. Anschließend entwickelten wir ein Vorhersagemodell zur Schätzung der Transmissionswerte dieser Verbundstrukturen. Indem wir das Vorhersagemodell auf dem experimentellen Datensatz trainierten, schätzten wir die Transmissionswerte von Verbundwerkstoffen mit unterschiedlichen Konzentrationen, die nicht experimentell hergestellt wurden, und berechneten den \(V_{th}\)-Wert dieser Verbundwerkstoffe. Nach der Bestimmung der idealen Konzentrationsverhältnisse für die Verbundstoffe mit dem minimalen \(V_{th}\) wurden drei neue Verbundstrukturen (CS13, CS14 und CS15) hergestellt. Unter diesen Strukturen wurde mit CS13 das beste Ergebnis erzielt. Der \(V_{th}\)-Wert, der für reines LC 0,78 V betrug, wurde durch Zugabe von 1 % NP5 zum LC auf 0,63 reduziert. Unter Verwendung der durch den maschinellen Lernalgorithmus ermittelten Konzentrationsverhältnisse wurde der \(V_{th}\) des reinen E7-Flüssigkristalls um 19 % reduziert (CS13).

In dieser Arbeit haben wir gezeigt, wie man Experimente mit auf maschinellem Lernen basierenden Vorhersagealgorithmen kombiniert, um bestimmte Materialien mit bestimmten gewünschten Eigenschaften zu bestimmen. Diese Arbeit zeigt auch, wie sorgfältig erstellte Materialdaten zum Trainieren von Modellen für maschinelles Lernen verwendet werden können. Das in dieser Studie verwendete Modell benötigt lediglich die Konzentrationsverhältnisse der Materialien, um die Eigenschaften der Verbundstrukturen abzuschätzen. Die in dieser Arbeit angewandte Materialdesign-Methodik kann für jede Klasse von Verbundwerkstoffen verwendet werden, sofern ausreichend Daten für das Training verfügbar sind. Abschließend ist zu beachten, dass alle Eigenschaftsvorhersagen aus dem On-Demand-Vorhersagemodell mit einigen Unsicherheiten behaftet sind, die bei jeder Lernmethode unvermeidbar sind. Dennoch haben wir eine vielversprechende Entwurfsmethodik für Verbundwerkstoffe entwickelt, mit der gezielt gezielt nach spezifischen Verbundwerkstoffen gesucht werden kann, die den gewünschten Anforderungen entsprechen.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim jeweiligen Autor erhältlich.

Abdel-Baset, T. & Belhaj, M. Strukturelle Charakterisierung, dielektrische Eigenschaften und elektrische Leitfähigkeit von Zno-Nanopartikeln, die durch Kopräzipitation synthetisiert wurden. Physik. B Kondensatoren. Materie 616, 413130 ​​(2021).

Artikel CAS Google Scholar

Akgül, G. & Akgül, FA Selçuk University Engineering. Journal of Science and Technology 7, 105–114 (2019).

Google Scholar

Jayoti, D., Malik, P. & Prasad, SK Wirkung von ZnO-Nanopartikeln auf die Morphologie, die dielektrischen, elektrooptischen und Photolumineszenzeigenschaften eines eingeschlossenen ferroelektrischen Flüssigkristallmaterials. J. Mol. Liq. 250, 381–387 (2018).

Artikel CAS Google Scholar

Nurfani, E. et al. Verbesserung der UV-Empfindlichkeit in Fe-dotierten Zno-Filmen, die durch ultraschnelle Sprühpyrolyse gezüchtet wurden. Opt. Mater. 112, 110768 (2021).

Artikel CAS Google Scholar

Bouslama, M. et al. Chemische, morphologische und optische Eigenschaften von undotierten und Cu-dotierten Zno-Dünnfilmen, die einer UHV-Behandlung unterzogen wurden. Appl. Surfen. Wissenschaft. 520, 146302 (2020).

Artikel Google Scholar

Labhane, P. et al. Synthese von Cu-dotierten ZnO-Nanopartikeln: Kristallographische, optische, FTIR-, morphologische und photokatalytische Untersuchung. J. Mater. Wissenschaft. Chem. Ing. 3, 39–51 (2015).

CAS Google Scholar

Voicu, G. et al. Co-dotierte Zno-Dünnfilme, die durch Schleuderbeschichtung als antibakterielle Beschichtung für Metallimplantate abgeschieden werden. Ceram. Int. 46, 3904–3911 (2020).

Artikel CAS Google Scholar

Subramanian, M. et al. Intrinsischer Ferromagnetismus und magnetische Anisotropie in Gd-dotierten Zno-Dünnfilmen, synthetisiert durch die Methode der gepulsten Sprühpyrolyse. J. Appl. Physik. 108, 053904 (2010).

Artikel ADS Google Scholar

Baradaran, M., Ghodsi, F., Bittencourt, C. & Llobet, E. Die Rolle der Al-Konzentration bei der Verbesserung der photokatalytischen Leistung nanostrukturierter Zno/Zno: Al/Zno-Mehrschichtdünnfilme. J. Alloys Compd. 788, 289–301 (2019).

Artikel CAS Google Scholar

Bhawani, E., Harish, G. & Reddy, PS Wirkung der Cu-Dotierung auf die Elektro-, Photolumineszenz- und Bandlückentechnik mg-dotierter Zno-Nanopartikel. Bin. J. Eng. Res 6, 30–35 (2017).

Google Scholar

Ahmad, A., Migdadi, A., Alsaad, A., Al-Bataineh, QM & Telfah, A. Optische, strukturelle und morphologische Charakterisierungen synthetisierter (Cd-Ni) co-dotierter Zno-Dünnfilme. Appl. Physik. A 127, 1–12 (2021).

Artikel Google Scholar

Kirby, S. & Van Dover, R. Verbesserte Leitfähigkeit von Zno durch Kodotierung mit In und Al. Thin Solid Films 517, 1958–1960 (2009).

Artikel ADS CAS Google Scholar

Saadi, H. et al. Verbesserung der elektrischen Leitfähigkeit von (Fe+ Al) co-dotierten Zno-Nanopartikeln für optoelektronische Anwendungen. J. Mater. Wissenschaft. Mater. Elektron. 33, 8065–8085 (2022).

Artikel CAS Google Scholar

Vijayaprasath, G., Murugan, R., Mahalingam, T., Hayakawa, Y. & Ravi, G. Herstellung hochorientierter al: Zno- und Cu/Al: Zno-Dünnfilme durch Sol-Gel-Methode und deren Charakterisierung. J. Alloys Compd. 649, 275–284 (2015).

Artikel CAS Google Scholar

Misra, AK, Tripathi, PK, Pandey, KK, Singh, BP & Manohar, R. Dielektrische Eigenschaften und Aktivierungsenergien von Cu: ZnO dispergiertem nematischem Mesogen N-(4-Methoxybenzyliden)-4-Butylanilin-Flüssigkristall. J. Dispers. Wissenschaft. Technol. 41, 1283–1290 (2020).

Artikel CAS Google Scholar

Oh, B.-Y. et al. Transparente leitfähige Al-dotierte ZnO-Filme für Flüssigkristallanzeigen. J. Appl. Physik. 99, 124505 (2006).

Artikel ADS Google Scholar

Dimitrov, D. et al. Atomar schichtabgeschiedene Al-dotierte ZnO-Dünnfilme für Displayanwendungen. Beschichtungen 10, 1–11 (2020).

Artikel Google Scholar

Tripathi, PK, Misra, AK, Manohar, S., Gupta, SK & Manohar, R. Verbesserte dielektrische und elektrooptische Parameter des mit ZnO-Nanopartikeln (8 % Cu2+) dotierten nematischen Flüssigkristalls. J. Mol. Struktur. 1035, 371–377 (2013).

Artikel ADS CAS Google Scholar

Hsu, C.-J., Lin, L.-J., Huang, M.-K. & Huang, C.-Y. Elektrooptischer Effekt von Goldnanopartikeln, dispergiert in nematischen Flüssigkristallen. Kristalle 7, 287 (2017).

Artikel Google Scholar

Pathak, G. et al. Analyse von Photolumineszenz, UV-Absorption, optischer Bandlücke und Schwellenspannung von TiO2-Nanopartikeln, die in nematischen Flüssigkristallen mit hoher Doppelbrechung dispergiert sind, im Hinblick auf ihre Anwendung in Display- und Photovoltaikgeräten. J. Lumin. 192, 33–39 (2017).

Artikel CAS Google Scholar

Eskalen, H., Uruş, S. & Özgan, Ş. Mikrowellenunterstützte Synthese von Pilzen wie mwcnt/sio2@zno-Nanokomposit: Einfluss auf den nematischen Flüssigkristall e7 und hochwirksame photokatalytische Aktivität beim Abbau von Methylblau. J. Inorg. Organomet. Polym. Mater. 31, 763–775 (2021).

Artikel CAS Google Scholar

Dubey, R., Mishra, A., Singh, K., Alapati, P. & Dhar, R. Elektrisches Verhalten einer Schiffschen Basis-Flüssigkristallverbindung, dotiert mit einer geringen Konzentration von BaTiO3-Nanopartikeln. J. Mol. Liq. 225, 496–501 (2017).

Artikel CAS Google Scholar

Liang, Z. et al. Einfluss von Zno NPS auf morphologische und elektrooptische Eigenschaften polymerdispergierter Flüssigkristalle. Liq. Kristall. 48, 1699–1708 (2021).

Artikel CAS Google Scholar

Jayaprada, P. et al. Studien zu Doppelbrechung, Ordnungsparametern und Bildanalyse von flüssigkristalliner PN-Butyloxy/Butylbenzoesäure mit dispergierten Zno-Nanopartikeln. Zeitschrift für Naturforschung A 76, 75–98 (2021).

Artikel ADS CAS Google Scholar

Cassola, S., Duhovic, M., Schmidt, T. & May, D. Maschinelles Lernen für die Prozesssimulation von Polymerverbundwerkstoffen – eine Übersicht. Kompositionen. B Eng. 246, 110208 (2022).

Artikel CAS Google Scholar

Pilania, G., Wang, C., Jiang, X., Rajasekaran, S. & Ramprasad, R. Beschleunigung der Vorhersage von Materialeigenschaften durch maschinelles Lernen. Wissenschaft. Rep. 3, 1–6 (2013).

Artikel Google Scholar

Mannodi-Kanakkithodi, A., Pilania, G., Huan, TD, Lookman, T. & Ramprasad, R. Strategie für maschinelles Lernen für beschleunigtes Design von Polymerdielektrika. Wissenschaft. Rep. 6, 1–10 (2016).

Artikel Google Scholar

Sigaki, HY, de Souza, R., de Souza, R., Zola, R. & Ribeiro, H. Schätzung physikalischer Eigenschaften aus Flüssigkristalltexturen mittels maschinellem Lernen und Komplexitäts-Entropie-Methoden. Physik. Rev. E 99, 013311 (2019).

Artikel ADS CAS PubMed Google Scholar

Inokuchi, T., Okamoto, R. & Arai, N. Vorhersage der molekularen Ordnung in einem binären Flüssigkristall mithilfe maschinellen Lernens. Liq. Kristall. 47, 438–448 (2020).

Artikel CAS Google Scholar

Pessa, AA, Zola, RS, Perc, M. & Ribeiro, HV Bestimmung von Flüssigkristalleigenschaften mit ordinalen Netzwerken und maschinellem Lernen. Chaos Solitons Fraktale 154, 111607 (2022).

Artikel Google Scholar

Moparthi, S., Tiwari, PK & Saramekala, GK Genetische, auf Algorithmen basierende Schwellenspannungsvorhersage von Soi JLT unter Verwendung einer nichtlinearen Regression mit mehreren Variablen. Im Jahr 2021 International Symposium on Devices, Circuits and Systems (ISDCS), 1–4 (IEEE, 2021).

Mishra, S., Gaikwad, B. & Chaturvedi, N. Vorhersage der Schwellenspannung von Gan Hemts mithilfe eines Deep-Learning-Modells, das durch einen genetischen Algorithmus entwickelt wurde. Mater. Wissenschaft. Halbleiter. Verfahren. 152, 107057 (2022).

Artikel CAS Google Scholar

Sharma, A., Malik, P. & Kumar, P. Elektrooptische und dielektrische Reaktionen von mit Zno-Nanopartikeln dotierten nematischen Flüssigkristallen im In-Plane-Switching-Modus (IPS). Integr. Ferroelektr. 202, 52–66 (2019).

Artikel ADS CAS Google Scholar

Tripathi, PK, Misra, AK, Pandey, KK & Manohar, R. Studie zu dielektrischen und optischen Eigenschaften von Zno-dotierten nematischen Flüssigkristallen im Niederfrequenzbereich. Chem. Schnelle Kommuni. 1, 20–26 (2013).

CAS Google Scholar

Yamamoto, N. et al. Entwicklung von transparenten Ga-dotierten Zno-Elektroden für Flüssigkristallanzeigetafeln. Thin Solid Films 520, 4131–4138 (2012).

Artikel ADS CAS Google Scholar

Souadi, G. et al. Thermolumineszenz-Glühkurvenanalyse und kinetische Parameter von Eu-dotierten li2moo4-Keramikleuchtstoffen. Ceram. Int. 48, 19258–19265 (2022).

Artikel CAS Google Scholar

Kaynar, U., Kaynar, S. Ç., Karali, EE, Ayvacıkli, M. & Can, N. Adsorption von Thorium(iv)-Ionen durch mit Metallionen dotiertes Zno-Nanomaterial, hergestellt durch Verbrennungssynthese: Empirische Modellierung und Prozessoptimierung durch Reaktion Oberflächenmethodik (RSM). Appl. Strahlen. Isot. 178, 109955 (2021).

Artikel CAS PubMed Google Scholar

Cover, T. & Hart, P. Musterklassifizierung des nächsten Nachbarn. IEEE Trans. Inf. Theorie 13, 21–27 (1967).

Artikel MATH Google Scholar

Alpaydin, E. Einführung in maschinelles Lernen (MIT Press, 2020).

MATH Google Scholar

Mendes-Moreira, J., Soares, C., Jorge, AM & Sousa, JFD Ensemble-Ansätze für Regression: Eine Umfrage. ACM-Computing. Überleben. (CSUR) 45, 1–40 (2012).

Artikel MATH Google Scholar

Geurts, P., Ernst, D. & Wehenkel, L. Extrem randomisierte Bäume. Mach. Lernen. 63, 3–42 (2006).

Artikel MATH Google Scholar

Schapire, RE Erklärt Adaboost. In Empirical Inference (Hrsg. Schapire, RE) 37–52 (Springer, 2013).

Kapitel Google Scholar

Kaynar, Ü. H., Ayvacıklı, M., Kaynar, SC & Hiçsönmez, Ü. Entfernung von Uran (vi) aus wässrigen Lösungen unter Verwendung von nanoporösem Zno, das durch mikrowellenunterstützte Verbrennungssynthese hergestellt wurde. J. Radioanalyt. Kernchemie. 299, 1469–1477 (2014).

Artikel CAS Google Scholar

Kaynar, Ü. H., Ayvacıklı, M., Hiçsönmez, Ü. & Kaynar, S. Ç. Entfernung von Thorium(iv)-Ionen aus wässriger Lösung durch ein neuartiges nanoporöses Zno: Isothermen, kinetische und thermodynamische Studien. J. Umgebung. Radioakt. 150, 145–151 (2015).

Artikel CAS PubMed Google Scholar

Pérez-Verdejo, A. et al. Nanoporöse Verbundwerkstoffe, hergestellt durch eine Kombination von SBA-15 mit Mg-Al-Mischoxiden. Eigenschaften der Wasserdampfsorption. Beilstein J. Nanotechnologie. 5, 1226–1234 (2014).

Artikel PubMed PubMed Central Google Scholar

Liang, H.-H. & Lee, J.-Y. Verbesserte elektrooptische Eigenschaften von Flüssigkristallgeräten durch Dotierung mit ferroelektrischen Nanopartikeln. Ferroelektr. Mater. Asp.https://doi.org/10.5772/18724 (2011).

Artikel Google Scholar

Basu, R. Verbesserung der polaren Verankerungsstärke in einer graphennematischen Suspension und ihre Auswirkung auf das nematische elektrooptische Schalten. Physik. Rev. E 96, 012707 (2017).

Artikel ADS PubMed Google Scholar

Nayek, P. & Li, G. Überlegene elektrooptische Reaktion in mit multiferroischen Wismutferrit-Nanopartikeln dotierten nematischen Flüssigkristallvorrichtungen. Wissenschaft. Rep. 5, 1–9 (2015).

Artikel Google Scholar

Eskalen, H., Özğan, Ş, Alver, Ü. & Kerli, S. Elektrooptische Eigenschaften von Flüssigkristallen, die mit Zinkoxid-Nanopartikeln zusammengesetzt sind. Acta Phys. Pol. A 127, 756–760 (2015).

Artikel ADS Google Scholar

Referenzen herunterladen

Diese Forschung wurde vom Wissenschaftlichen und Technologischen Forschungsrat der Türkei (TUBITAK) finanziell unterstützt (Projektnummer: 121M185).

Abteilung für Grundlagenwissenschaften, Universität Izmir Bakircay, 35665, Izmir, Türkei

Gülnur Önsal, Onur Uğurlu & Ümit H. Kaynar

Fakultät für Wirtschaftsingenieurwesen, Universität Izmir Bakircay, 35665, Izmir, Türkei

Deniz Türsel Eliiyi

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

GEHEN. führte die Dotierung von NPs in den LC durch, sammelte und analysierte die elektrooptischen Daten der Proben und leistete einen schriftlichen Beitrag. OU führte ML-Algorithmen und die numerische Analyse der Algorithmusergebnisse durch und leistete einen schriftlichen Beitrag. Ü.HK führte die Synthese der NPs sowie die Analyse der SEM-, EDX- und XRD-Daten durch und leistete einen schriftlichen Beitrag. DTE führte die Versuchsplanung durch, analysierte die Gesamtergebnisse und leistete einen schriftlichen Beitrag. Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit Gülnur Önsal.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Önsal, G., Uğurlu, O., Kaynar, Ü.H. et al. Minimierung des Schwellenspannungsparameters der co-dotierten ZnO-dotierten Flüssigkristalle durch maschinelle Lernalgorithmen. Sci Rep 13, 12802 (2023). https://doi.org/10.1038/s41598-023-39923-8

Zitat herunterladen

Eingegangen: 24. Mai 2023

Angenommen: 02. August 2023

Veröffentlicht: 07. August 2023

DOI: https://doi.org/10.1038/s41598-023-39923-8

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.