Photoinduziertes Multilevelschalten von Polyoxometallat-Chromophor-Hybridverbindungen: Ladungs- vs. Widerstands-basierte Datenspeicherung

• Antragsteller: Privatdozent Dr. Axel Kahnt; Dr. Kirill Monakhov
• Fachliche Zuordnung: Anorganische Molekülchemie - Synthese, Charakterisierung ; Physikalische Chemie von Molekülen, Flüssigkeiten und Grenzflächen, Biophysikalische Chemie
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 495326276

Das interdisziplinäre Projekt "PhotOcellMatrix" zielt auf die Erforschung der Multi-Elektronen-Ladungsspeicherung, des Ladungstransfers und dem Schalten in mit spezifischen Porphyrinoid-Chromophor-Funktionalitäten ausgestatteten Polyoxometallat (POM)-Verbindungen ab. Diese neuartigen organisch-anorganischen Donor-Akzeptor-Hybridverbindungen sollen durch nasschemische Synthese hergestellt und ihre Struktur-Eigenschafts-Reaktivitäts-Beziehungen in Lösung und auf makroskopisch leitenden und halbleitenden Oberflächen unter Verwendung von Photonen aus einer externen Lichtquelle und einem Rastertunnelmikroskop als Ladungszustands-Readout untersucht werden. Die zentralen Forschungsziele hierbei sind zweierlei: (1) die Erzeugung eines lichtgesteuerten, großflächigen, molekularen Multilevel-Schaltens und (2) die Beantwortung der Frage nach dem physikalischen Mechanismus, der durch Licht in den Datenspeicherzellen entweder einen ladungsbasierten Photo-Kondensator-artigen oder photo-induzierten resistiven Prozess auslöst. Eine Bildung von intermolekularen porphyrinoid-basierten Radikalketten als leitfähige Filamente an den nanophotonischen POM-Grenzflächen, die in eine Polymerschicht eingebettet werden, soll mittels Elektronenstrahlradiolyse und Laserphotolyse an funktionalen Oberflächen sowie Kelvin-Sondenmikroskopie mit und ohne Photoanregung untersucht werden. Lokale Leitfähigkeits-AFM-Messungen sollen genutzt werden, um die Ausdehnung, die Morphologie und die elektronischen Eigenschaften dieser Filamente aufzuklären. Die Ergebnisse sollen Lösungen für energieeffiziente, leistungsstarke, molekülbasierte memristive Schalter beschleunigen, die die Anforderungen von Deep-Learning-Anwendungen mit neuromorphen Computerchips in Nanogröße für das Internet der Dinge (IoT) erfüllen.

• DFG-Verfahren: Sachbeihilfen