Automatisierte Analyse von 2D-Materialien mittels Raman-Spektroskopie und Machine-Learning-basierten Clustermethoden

Abstract

2D-Materialien wie Graphen sind seit ihrer ersten Synthetisierung 2004 aus der Materialwissenschaft kaum wegzudenken. Mit Graphen können viele elektronische Bauteile wie zum Beispiel Transistoren, Sensoren oder transparente leitfähige Elektroden hergestellt werden. Das liegt an den herausragenden elektronischen Eigenschaften von Graphen. Dazu zählen unter anderem Transparenz, eine hohe Zugfestigkeit sowie eine sehr gute Leitfähigkeit. Um 2D-Materialien kommerziell und skalierbar produzieren zu können, fehlt es aktuell jedoch an einer entsprechenden Herstellungsmethode. Momentan wird Graphen mittels Raman-Spektroskopie charakterisiert. Die Bewertung der Graphenqualität erfolgt manuell und ist nicht nur sehr zeitintensiv sondern auch fehleranfällig und subjektiv. Ziel dieser Arbeit ist die Entwicklung eines Algorithmus zur automatisierten Bewertung unterschiedlicher Graphenproben, indem das Raman-Mapping mit Machine-Learning-basierten Clustermethoden unüberwacht analysiert wird.