Kolnanostrukturer kan bli lättare att designa och syntetisera tack vare en maskininlärningsmetod som förutsäger hur de växer på metallytor. Det nya tillvägagångssättet, utvecklat av forskare vid Japans Tohoku-universitet och Kinas Shanghai Jiao Tong-universitet, kommer att göra det lättare att utnyttja den unika kemiska mångsidigheten hos kolnanoteknik. Metoden publicerades i tidskriften Nature Communications .
Tillväxten av kolnanostrukturer på en mängd olika ytor, inklusive som atomärt tunna filmer, har studerats brett, men lite är känt om dynamiken och atomnivåfaktorerna som styr kvaliteten på de resulterande materialen. "Vårt arbete tar itu med en avgörande utmaning för att förverkliga potentialen hos kolnanostrukturer i elektronik eller energibearbetningsanordningar", säger Hao Li från Tohoku University-teamet.
Det breda utbudet av möjliga ytor och processens känslighet för flera variabler gör direkt experimentell undersökning utmanande. Forskarna vände sig därför till maskininlärningssimuleringar som ett mer effektivt sätt att utforska dessa system.
Med maskininlärning kan olika teoretiska modeller kombineras med data från kemiexperiment för att förutsäga dynamiken i kolkristallin tillväxt och bestämma hur den kan styras för att uppnå specifika resultat. Simuleringsprogrammet utforskar strategier och identifierar vilka som fungerar och vilka som inte gör det, utan att människor behöver vägleda varje steg i processen.
Forskarna testade detta tillvägagångssätt genom att undersöka simuleringar av tillväxten av grafen, en form av kol, på en kopparyta. Efter att ha upprättat det grundläggande ramverket visade de hur deras tillvägagångssätt även kunde tillämpas på andra metalliska ytor, såsom titan, krom och koppar förorenade med syre.
Fördelningen av elektroner runt kärnorna av atomer i olika former av grafenkristaller kan variera. Dessa subtila skillnader i atomstruktur och elektronarrangemang påverkar materialets övergripande kemiska och elektrokemiska egenskaper. Maskininlärningsmetoden kan testa hur dessa skillnader påverkar diffusionen av enskilda atomer och bundna atomer och bildandet av kolkedjor, bågar och ringstrukturer.
Teamet validerade resultaten av simuleringarna genom experiment och fann att de stämde överens. "Sammantaget ger vårt arbete en praktisk och effektiv metod för att designa metalliska eller legerade substrat för att uppnå önskade kolnanostrukturer och utforska ytterligare möjligheter," säger Li.
Han tillägger att framtida arbete kommer att bygga på detta för att undersöka ämnen som gränssnitten mellan fasta ämnen och vätskor i avancerade katalysatorer och de kemiska egenskaperna hos material som används för att bearbeta och lagra energi.
Mer information: Di Zhang et al, Aktiv maskininlärningsmodell för dynamiska simulerings- och tillväxtmekanismer för kol på metallyta, Nature Communications (2024). DOI:10.1038/s41467-023-44525-z
Tillhandahålls av Tohoku University
