LINEA DI ATTIVITÀ
LA 1.17
Descrizione risultati raggiunti LA
È stato sviluppato un software automatizzato per la selezione ad alta efficienza (“high-throughput”) dei leganti più idonei a stabilizzare i quantum dot. Questo strumento si basa sull’analisi di big data provenienti da database molecolari, su relazioni struttura-proprietà, analisi strutturali e simulazioni quantistiche semplificate, configurandosi come un primo esempio concreto di applicazione di concetti di machine learning alla chimica. Inoltre, attraverso simulazioni di dinamica molecolare, è stato possibile comprendere il comportamento dinamico dei leganti sulla superficie dei quantum dot. Infine, è stato dimostrato come la scelta dei leganti e la composizione della miscela di solventi influenzino in modo determinante la forma finale dei quantum dot di InAs.
Risultati attesi nel POA
Il progetto ha portato allo sviluppo di strumenti per il design razionale dei quantum dot, con un’attenzione particolare all’ottimizzazione dei leganti, elementi chiave per garantirne la solubilità e influenzarne le proprietà ottiche. Grazie a un’analisi approfondita dei meccanismi coinvolti, è stato possibile ottenere una comprensione dettagliata del comportamento di leganti, solventi e precursori, sia nella fase di sintesi sia nelle applicazioni dei quantum dot. Questo approccio consente di prevederne le prestazioni in modo più affidabile, a beneficio delle numerose applicazioni optoelettroniche, come ad esempio l’emissione di colore ad alta purezza.
REFERENTE/I
Liberato Manna – Istituto Italiano di Tecnologia
Deliverable consegnati con questo LA
D1.20 – Rapporto tecnico: “Implementazione di un workflow computazionale per il calcolo automatizzato delle velocità di conversione dei precursori” .
Livello di innovazione
Il software sviluppato per la selezione dei leganti nei quantum dot rappresenta, per quanto ci risulta, un’innovazione assoluta e senza precedenti nella letteratura scientifica, introducendo un’idea completamente originale. Inoltre, il comportamento dinamico dei leganti comunemente utilizzati per i quantum dot è stato analizzato in modo completo, grazie allo sviluppo di potenziali interatomici specifici che hanno reso possibile simulazioni su lunghi intervalli temporali, fino a centinaia di nanosecondi (equivalenti a circa 10⁸ calcoli di forze). È stato anche studiato in dettaglio l’impatto degli stessi leganti sull’evoluzione dei quantum dot durante la sintesi, mostrando chiaramente come la composizione del solvente influenzi la morfologia finale delle nanostrutture, determinandone la forma tetraedrica o tetrapodica.
Disseminazione
J. Zito “Computational Chemistry for Quantum Dots”, Workshop. Materials for Energy, Storage and Renewable Energy designed by Supercomputing, Artificial Intelligence Tools and Big Data, September 21, 2024, online
J .Zito “A Universal Database of Surface Ligands in Colloidal Semiconductor Nanocrystals” Nanoinnovation 2024, September 09- September 13, 2024, Roma, Italy
J. Zito: “An Automated Tool for the Construction of Semiconductor Nanocrystals” Nanoinnovation 2023, September 18- September 22, 2023, Rome, Italy
L. De Trizio, I. Infante, & L. Manna (2023). Surface chemistry of lead halide perovskite colloidal nanocrystals. Accounts of Chemical Research, 56(13), 1815-1825. [literature review] J. Zito “Computational Chemistry for Quantum Dots”, Workshop. Materials for Energy, Storage and Renewable Energy designed by Supercomputing, Artificial Intelligence Tools and Big Data, September 21, 2024, online
L. De Trizio, I. Infante, & L. Manna (2023). Surface chemistry of lead halide perovskite colloidal nanocrystals. Accounts of Chemical Research, 56(13), 1815-1825. [literature review]
