Solution-based thin-film processing is a widely utilized technique for the fabrication of various devices. In particular, the tunability of the ink composition and coating condition allow precise control of thin-film properties and device performance. Despite the advantage of having such tunability, the sheer number of possible combinations of parameters render it infeasible to efficiently optimize device performance and analyze the correlation between experimental parameters and device performance. In this work, microfluidic screening-embedded thin-film processing technique is developed, through which thin-films of varying ratios of small molecule semiconductor:polymer blend were simultaneously generated and screened in a time- and resource-efficient manner. Moreover, utilizing the thin-films of varying combinations of experimental parameters, machine learning models were trained to predict the transistor performance. Gaussian Process Regression (GPR) algorithms tuned by Bayesian optimization showed the best predictive accuracy amongst the trained models, which enables narrowing down of the combinations of experimental parameters and investigation of the degree of vertical phase separation under the predicted parameter space. Our technique can serve as a guideline for elucidating the underlying complex parameter-property-performance correlations in solution-based thin-film processing, thereby accelerating the optimization of various thin-film devices in the future.
용액 기반의 박막 공정은 다양한 소자의 제작에 널리 활용되는 기술이다. 특히, 잉크 조성 및 코팅 조건의 가변성을 통해 박막 특성 및 소자 성능을 정밀하게 제어할 수 있다. 이러한 가변성의 이점에도 불구하고 가능한 변수 조합의 수가 매우 많기에 소자의 성능을 효율적으로 최적화하고 실험 변수와 소자 성능 간의 상관관계 분석을 불가능하게 만든다. 본 연구는 미세 유체 스크리닝 내장형 박막 처리 기술이 개발 되었으며 이를 통해 시간 및 자원 효율적인 방식으로 다양한 비율의 단분자 반도체:고분자 혼합 박막을 동시에 생성한다. 또한 다양한 실험 변수 조합의 박막을 활용하여 기계 학습 모델을 훈련하고 트랜지스터 소자의 성능을 예측했다. 베이지안 최적화로 조정된 가우시안 프로세스 회귀 (GPR) 알고리즘은 훈련된 모델 중에서 최고의 예측 정확도를 보였다. 이를 통해 실험 변수의 조합을 좁히고 예측된 변수 공간에서 수직 상 분리 정도를 분석할 수 있었다. 우리의 기술은 용액 기반의 박막 공정에서 근본적인 복잡한 변수-물성-성능의 상관관계를 설명하기 위한 지침 역할을 할 수 있어 향후 다양한 박막 소자의 최적화를 가속화할 수 있다.
