Otimização de propriedades físicas de pontos quânticos e nanopartículas de semicondutores por inteligência artificial e planejamento experimental

Abstract

Pontos quânticos são materiais de grande interesse tecnológico, com propriedades ópticas e elétricas aplicáveis em catálise, células solares, biosensores, diodos emissores de luz (LEDs) e displays. A produção em larga escala desse material cresceu nos últimos anos, porém a manufatura de pontos quânticos de alta qualidade e com reprodutibilidade batelada após batelada continua um dos objetivos mais desafiadores para a indústria. Nesse contexto, a inteligência artificial tem se revelado uma excelente ferramenta para entender e controlar sistemas químicos. Na primeira parte deste trabalho, foi construída uma base de dados de sínteses hot injection de pontos quânticos dos tipos II-VI e IV-VI (CdS, CdSe, PbS, PbSe e ZnSe). Essa base de dados foi usada para construir modelos de regressão multilinear, smoothing splines, árvores de regressão, random forest, gradient boosting machine e deep learning. Para a construção de sugestões de novas rotas de síntese, os modelos selecionados foram random forest, gradient boosting machine e deep learning. A partir desses modelos, mapas de calor foram gerados, variando-se temperatura de injeção e tempo de reação, possibilitando a seleção da região com menor variação de diâmetro final. Na segunda parte deste trabalho, o foco foi a busca por alternativas ao uso de semicondutores baseados em cádmio e chumbo. Foram sintetizadas nanopartículas coloidais de sulfeto de cobre e alumínio através do método heat up. As amostras foram analisadas por microscopia eletrônica de transmissão, difratometria de raios-x, espectroscopia Raman, espectroscopia de absorção no UV-Vis-NIR e espectroscopia de fotoluminescência. O efeito dos parâmetros de síntese na intensidade de emissão de fotoluminescência foi avaliado, onde foi possível concluir que o principal parâmetro de síntese é a concentração do precursor de alumínio. As amostras foram aplicadas em microscopia confocal de fluorescência, demonstrando potencial para aplicações como marcadores biológicos.

Quantum dots are materials of great technological interest, with optical and electrical properties applicable in catalysis, solar cells, biosensors, light emitting diodes and displays. Production in large-scale of these materials grown in the last years, but the producing high quality and batch to batch reproducible quantum dots are still a challenge for the industry. In this context, artificial intelligence has been an interesting tool to understand and control chemical systems. In the first part of this work, a database of hot injection synthesis of II-VI and IV-VI (CdS, CdSe, PbS, PbSe, and ZnSe) quantum dots. This database was used to build multilinear regression, smoothing splines, regression trees, random forest, gradient boosting machine, and deep learning models. To find suggestions of new synthesis routes, the selected models were random forest, gradient boosting machine, and deep learning. Then, heatmaps were generated, with the growth temperature and the reaction time, allowing one to select the region with the lowest variability on the final diameter. In the second part of this work, the focus was the search for alternatives to use of cadmium and lead-based semiconductors. Colloidal copper aluminum sulfide nanoparticles were synthesized by the heat up method. The samples were analyzed by transmission electron microscopy, x-ray diffraction, Raman spectroscopy, UV-Vis-NIR absorption spectroscopy and photoluminescence spectroscopy. The effect of the synthetic parameters on the photoluminescence intensity was evaluated. It was possible to conclude that the main parameter affecting the photoluminescence intensity was aluminum precursor concentration. The samples were applied in fluorescence confocal microscopy, showing potential for applications as biological labels.