新闻详情

新闻详情

首页 / 资讯中心 / 详情

微相分离、薄膜自组装嵌段共聚物PS-b-PMMA聚苯乙烯‑b‑聚甲基丙烯酸甲酯

发布时间:2026/11/5 8:12:30来源:尧图网络
微相分离、薄膜自组装嵌段共聚物PS-b-PMMA聚苯乙烯‑b‑聚甲基丙烯酸甲酯
PS‑b‑PMMA聚苯乙烯‑block‑聚甲基丙烯酸甲酯是科研领域最经典的 AB 二嵌段共聚物之一PS聚苯乙烯非极性疏水PMMA聚甲基丙烯酸甲酯极性两段以共价键相连热力学不相溶但无法宏观相分离发生微相分离自发形成几十纳米尺度的有序周期纳米结构。一、分子结构与理化性质线性 AB 二嵌段结构一段聚苯乙烯链与一段聚甲基丙烯酸甲酯共价连接可通过分子量、两段体积分数调控自组装形貌层状、柱状、球状。1.外观无色透明固体颗粒 / 粉末2.溶解性可溶于甲苯、氯仿、二氯甲烷等不溶于水、醇类。甲苯是最常用旋涂溶剂PS 与 PMMA 溶度参数接近良溶剂选择对薄膜缺陷影响很大PMC。3.热学参数PS 链段 Tg≈100 ℃PMMA 链段 Tg≈105‑120 ℃热退火温度一般 160‑190 ℃真空条件下退火获得低缺陷有序微相结构。4.储存条件室温或‑20 ℃干燥避光保存避免高温烘烤防止热降解粉末防潮。5.核心性能‑自组装特性通过调节 PS/PMMA 体积占比可获得层状lamellar、柱状cylindrical、球状spherical畴结构畴周期通常十几‑几十纳米通过基底修饰随机共聚物刷可以调控畴垂直取向得到垂直于基底的层状 / 柱状纳米图案。6.核心优势PS 与 PMMA 化学性质差异明显可选择性降解去除 PMMA 相UV 乙酸湿法刻蚀或者氧等离子体干法刻蚀得到 PS 硬质纳米模板热加工窗口宽与半导体工艺兼容是定向自组装 DSA 标杆材料分子量分布PDI低相分离周期均一图案可重复性好光学透明可用于光子晶体、光学薄膜研究。二、合成思路主流合成方式活性阴离子聚合 / ATRP 原子转移自由基聚合1.活性阴离子聚合无水无氧条件苯乙烯先聚合得到活性 PS 大分子再加入甲基丙烯酸甲酯单体继续聚合得到 PS‑b‑PMMA沉淀纯化得到产物。优势分子量精准PDI 极低1.04‑1.10科研级产品主流路线PMC。2.ATRP 自由基聚合操作条件相对宽松适合功能衍生但分子量控制略逊于阴离子聚合。合成关键点MMA 单体需要严格除阻聚剂阴离子聚合体系严格除水除氧精准控制两段聚合度保证相分离形貌可控。三、实验注意事项 常见科研坑1.基底界面是成败关键硅片直接旋涂PS、PMMA 和基底表面能不匹配畴倾向于平躺需要涂覆 PS‑co‑PMMA 无规共聚物刷做界面修饰才能实现垂直取向纳米畴PMC。不做界面修饰很难得到垂直结构。2.退火条件控制退火温度过低链段运动不足缺陷多温度过高接近降解温度高分子断链优先真空退火避免氧化。3.刻蚀选择性有限氧等离子干法刻蚀PS 与 PMMA 刻蚀选择比仅 2‑4:1刻蚀 PMMA 同时 PS 也会被刻蚀损耗湿法 UV 乙酸条件更温和选择性更高PMC。4.溶剂与膜厚匹配旋涂膜厚需要与相分离周期匹配膜厚偏离周期整数倍会产生条纹、岛孔缺陷。5.设置对照✅对照不同分子量 PS‑b‑PMMA对比形貌✅空白基底对照区分基底本身对图案的干扰。6.分子量与体积分数不要混淆采购看的是数均分子量形貌由体积分数决定不是质量比。PS-b-PMMA 聚苯乙烯 - b - 聚甲基丙烯酸甲酯PS-b-PAA 聚苯乙烯 - b - 聚丙烯酸PS-b-P2VPPS-b - 聚 2 - 乙烯基吡啶PS-b-P4VPPS-b - 聚 4 - 乙烯基吡啶PS-b-PDMS聚苯乙烯 - b - 聚二甲基硅氧烷PS-b-PFMA PS-b - 聚甲基丙烯酸氟丁酯PCL-PEO聚己内酯-聚环氧乙烷PS-b-PMMAPS-b-P4VPPS-b-PDMSPS-b-PEOPS-b-PAAPS-b-PDMAEMAPS-b-PHEMAPS-b-P4VP
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/4 15:56:54

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/4 22:55:41

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/4 17:01:23

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/4 12:33:12

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/5 4:24:57

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/5 4:24:57

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉