Onderzoeksgroep

Expertise

Cem Sevik is een expert op het gebied van computationele gecondenseerde materie en materiaalwetenschap. Hij heeft meer dan 15 jaar uitgebreide ervaring in de karakterisering van elektronische, optische, thermische, thermo-elektrische, piëzo-elektrische, ferro-elektrische, energieopslag- en supergeleidende eigenschappen van materialen (in het bijzonder tweedimensionaal) met methoden die voornamelijk gebaseerd zijn op Density Functional Theory en Klassieke /First-Principles Moleculaire Dynamica Simulaties. Hij heeft ook ervaring met het genereren van interatomaire en machinaale leerpotentieel voor materialen. De projecten met betrekking tot de zoektocht naar nieuwe tweedimensionale kristallen voor gebruik in energieopwekking/-omzetting, sensor- en ionenbatterijtoepassingen zijn hebben zijn bijzondere interesse. Hij heeft ook expertise in de groei van chemische dampafzetting en RAMAN- en PL-karakterisering van nieuwe tweedimensionale materialen zoals MoS2, MoSe2, WS2 en Mo2C.

Foto-thermo-structurele karakterisering van mono- en bimetallische Au- en Ag-nanodeeltjes. 01/11/2023 - 31/10/2025

Abstract

De fabricage en het ontwerp van metallische nanodeeltjes (ND's) kende de afgelopen jaren enorme vooruitgang waardoor een scala aan toepassingen mogelijk zijn geworden. De meeste zijn gebaseerd op warmtetransport door middel van de plasmonische eigenschappen van de ND's, onder blootstelling aan licht kunnen geleidende elektronen aan het oppervlak geactiveerd worden die de ND's opwarmen met warmtetransport naar de (biologische, chemische of medische) omgeving van de ND's tot gevolg. Vaak wordt over het hoofd gezien dat de ND's structureel veranderen onder zulke foto-thermische excitaties. Het is daarom van cruciaal belang om de stabiliteit en het gedrag van de metallische ND's bij verhoogde en verdeelde temperatuur te begrijpen. Dat is het hoofddoel van dit project, waarbij de focus ligt op mono- en bimetallische Au en Ag ND's. Hiervoor moet de atomaire structuur van de ND's bepaald worden, waarbij men verder moet kijken dan het computationeel intensieve density-functional theory (DFT). Hiervoor zal machine learning worden gebruikt om de Au en Ag interatomaire potentialen te trainen gebaseerd op DFT-data om zo aanzienlijk sneller en accuraat de relaxatie van de vorm en structuur van het ND uit te voeren. De iteratieve koppeling van de verkregen morfologie met ruimtelijk variërende optische en thermische respons is een ontwikkeling die ons in staat zal stellen om de ND's voorspellend aan te passen onder blootstelling aan opwarming en licht, voor alle gewenste doeleinden.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject