机器学习指导碳纳米技术

由于机器学习方法可以预测碳纳米结构在金属表面上的生长方式，碳纳米结构可以变得更容易设计和合成。由日本东北大学和中国上海交通大学的研究人员开发的新方法将使碳纳米技术独特的化学多功能性的开发变得更加容易。该方法发表在《自然通讯》杂志上。

碳纳米结构在各种表面(包括原子薄膜)上的生长已被广泛研究，但人们对控制所得材料质量的动力学和原子级因素知之甚少。东北大学团队的李浩说：“我们的工作解决了实现碳纳米结构在电子或能源处理设备中的潜力的关键挑战。”

可能的表面范围广泛以及过程对多个变量的敏感性使得直接实验研究具有挑战性。因此，研究人员转向机器学习模拟作为探索这些系统的更有效方法。

通过机器学习，各种理论模型可以与化学实验的数据相结合，以预测碳晶体生长的动态，并确定如何控制它以实现特定的结果。模拟程序探索策略并确定哪些策略有效，哪些无效，而无需人类指导该过程的每一步。

研究人员通过研究石墨烯(一种碳的形式)在铜表面上的生长模拟来测试这种方法。建立基本框架后，他们展示了如何将他们的方法应用于其他金属表面，例如被氧污染的钛、铬和铜。

不同形式的石墨烯晶体中原子核周围的电子分布可能有所不同。原子结构和电子排列的这些细微差异会影响材料的整体化学和电化学性能。机器学习方法可以测试这些差异如何影响单个原子和键合原子的扩散以及碳链、拱和环结构的形成。

该团队通过实验验证了模拟结果，发现它们非常匹配。“总的来说，我们的工作提供了一种实用且有效的方法来设计金属或合金基材，以实现所需的碳纳米结构并探索更多机会，”李说。

他补充说，未来的工作将在此基础上研究诸如先进催化剂中固体和液体之间的界面以及用于加工和储存能量的材料的化学性质等主题。