Mobility maximization in organic field-effect transistors via machine learning and design of experiments

The last decade has seen a burst in the development of organic electronics. Indeed, the increasing electrical performances of organic semiconductors (OSCs) allowed this technology to "leave the laboratory" and be implemented in the first real applications. Organic electronics presents many advantages compared to its traditional inorganic counterpart. For instance, it allows the fabrication of transparent and flexible devices exploiting solution processes. However, the conduction properties of organic semiconductors are still poor, and, for this reason, organic electronics is not meant to replace the well known silicon technology but to be implemented in new kinds of applications. In this thesis work, the use of machine learning-assisted optimization have been studied in the fi eld of organic fi eld-effect transistors (OFETs). The optimization tasks in organic electronics are often time consuming and require a large number of experiments. Compared to the usual optimization approach adopted in academic laboratories, these novel techniques are able to better identify the interplay of different factors, and, generally, require fewer experiments, hence reducing costs in terms of time and money. Two optimization methods (support vector regression (SVR) and bayesian op- timization (BO)), based on machine learning algorithms and design of experi- ments , were used to maximize the mobility of OFETs. Firstly, the methods were validated and compared on a well known system: OFETs with P(NDI2OD-T2) (a polymeric OSC also known as "N2200") as active material. Afterwards, the methods were used to draw predictions on OFETs fabricated with a new kind of small-molecule OSC containing a sp-carbon chain: tetraphenyl butatriene (named hereafter "[3]Ph"). The optimization of N2200-based OFETs led to the fabrication of devices with mobilities comparable with the ones obtained from the state-of-the-art for the same system. Additionally, it was possible to have a better visualization of the "area of interest" on which to focus the future experiments to maximize the mobility of OFETs fabricated with [3]Ph as active material.

L'ultimo decennio ha visto un considerevole sviluppo dell'elettronica organica. Le crescenti prestazioni elettriche dei semiconduttori organici hanno infatti permesso a questa tecnologia di "lasciare il laboratorio" ed essere implementata in applicazioni reali. L'elettronica organica presenta molti vantaggi rispetto alla sua controparte inorganica, ad esempio, rende possibile la produzione di dispositivi trasparenti e flessibili attraverso processi da soluzione. Tuttavia, le proprietà di conduzione dei semiconduttori organici sono tuttora limitate. Per questo motivo, l'elettronica organica non è volta a sostituire la performante tecnologia del silicio, bensì ad essere utilizzata in nuove, diverse applicazioni. In questa tesi sono stati utilizzati due metodi di ottimizzazione per massimizzare la mobilità nei transistor organici a effetto di campo (OFET). Generalmente, i processi di ottimizzazione nel campo dell'elettronica organica sono molto dispendiosi in termini di tempo e denaro. Queste nuove tecniche invece, rispetto alle comuni tecniche di ottimizzazione adottate nei laboratori accademici, riescono ad identifi care meglio le interazioni tra fattori e in generale richiedono un minor numero di esperimenti. I due metodi studiati sono la "support vector regression" (SVR) e la "ottimizzazione bayesiana" (BO), i quali si basano sul "machine learning" e sul "design degli esperimenti" (DoE). Inizialmente, i metodi sono stati validati e confrontati su un sistema noto, OFET con P(NDI2OD-T2) come materiale attivo (un polimero semiconduttore conosciuto anche come "N2200"). Successivamente, i due metodi sono stati usati per trarre previsioni su OFET prodotti con un nuovo tipo di semiconduttore organico a piccola molecola contenente una catena di carbonio sp: tetraphenyl butatriene (chiamato d'ora in poi "[3]Ph"). L'ottimizzazione dei transitor a base di N2200 ha portato alla produzione di dispositivi con mobilità superiore a quella ottenuta dallo stato dell'arte di dispositivi equivalenti. Inoltre, è stato possibile ottenere una migliore visualizzazione dell'area di interesse dove concentrare gli esperimenti futuri per massimizzare la mobilità dei transistor a base di [3]Ph.