Abstract
De fabricage en het ontwerp van metallische nanodeeltjes (ND's) kende de afgelopen jaren enorme vooruitgang waardoor een scala aan toepassingen mogelijk zijn geworden. De meeste zijn gebaseerd op warmtetransport door middel van de plasmonische eigenschappen van de ND's, onder blootstelling aan licht kunnen geleidende elektronen aan het oppervlak geactiveerd worden die de ND's opwarmen met warmtetransport naar de (biologische, chemische of medische) omgeving van de ND's tot gevolg. Vaak wordt over het hoofd gezien dat de ND's structureel veranderen onder zulke foto-thermische excitaties. Het is daarom van cruciaal belang om de stabiliteit en het gedrag van de metallische ND's bij verhoogde en verdeelde temperatuur te begrijpen. Dat is het hoofddoel van dit project, waarbij de focus ligt op mono- en bimetallische Au en Ag ND's. Hiervoor moet de atomaire structuur van de ND's bepaald worden, waarbij men verder moet kijken dan het computationeel intensieve density-functional theory (DFT). Hiervoor zal machine learning worden gebruikt om de Au en Ag interatomaire potentialen te trainen gebaseerd op DFT-data om zo aanzienlijk sneller en accuraat de relaxatie van de vorm en structuur van het ND uit te voeren. De iteratieve koppeling van de verkregen morfologie met ruimtelijk variërende optische en thermische respons is een ontwikkeling die ons in staat zal stellen om de ND's voorspellend aan te passen onder blootstelling aan opwarming en licht, voor alle gewenste doeleinden.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)