Sensoren die zijn vervaardigd met op koolstof gebaseerde materialen kunnen unieke, nauwkeurige en realtime informatie geven over erfelijke ziekten of de concentraties van medicijnen in het lichaam. Naast medicijnen, koolstofhoudende materialen worden gebruikt in batterijen, zonnecellen en waterzuivering.

andere elementen, zoals waterstof en zuurstof, zijn bijna altijd aanwezig in op koolstof gebaseerde materialen, wat de eigenschappen van de materialen verandert. Daarom, het modificeren van materialen voor gewenste toepassingen vereist kennis op atomair niveau over koolstofoppervlaktestructuren en hun chemie. Onderzoekers aan de Aalto Universiteit, de Universiteit van Cambridge, de Universiteit van Oxford en Stanford University hebben nu een belangrijke nieuwe stap voorwaarts gezet in het beschrijven van de atomaire aard van koolstofhoudende materialen.

Gedetailleerde informatie over koolstofoppervlakken kan worden verkregen door röntgenspectroscopie, maar het spectrum dat het produceert, is een uitdaging om te interpreteren omdat het informatie uit verschillende lokale chemische omgevingen van het oppervlak samenvat. De onderzoekers hebben een nieuwe systematische analysemethode ontwikkeld die gebruik maakt van machine learning om het rekenmodel (density functional theory) te integreren met de experimentele resultaten van het koolstofmonster. Met de nieuwe methodologie kan het experimentele spectrum dat door röntgenspectroscopie wordt geproduceerd, worden gescheiden in gegevens op atomair niveau.

"Vroeger, experimentele resultaten zijn verschillend geïnterpreteerd, op basis van verschillende literatuurverwijzingen, maar nu waren we in staat om de resultaten te analyseren met alleen computationele referenties. De nieuwe methode geeft ons een veel beter begrip van de chemie van koolstofoppervlakken zonder door de mens veroorzaakte vooringenomenheid, " zegt Anja Aarva, een doctoraatsstudent aan de Aalto University.

De nieuwe methode vergroot de kennis van op koolstof gebaseerde materialen

In een tweedelige studie, de onderzoekers bestudeerden in eerste instantie hoe verschillend gebonden koolstof de vorming van het experimentele spectrum kwalitatief beïnvloedt. De onderzoekers probeerden vervolgens het gemeten spectrum te aggregeren met computationele spectrumreferentiegegevens om een ​​kwantitatieve schatting te krijgen van waaruit het experimentele spectrum bestaat. Dit was om hen te helpen bepalen wat de aard van het koolstofmonster op atomair niveau is. De nieuwe methodologie is geschikt voor het analyseren van de oppervlaktechemie van verschillende vormen van koolstof, zoals grafeen, diamant en amorfe koolstof.

De studie is een voortzetting van het werk van de postdoctoraal onderzoeker Miguel Caro van Aalto University en professor Volker Deringer van de universiteit van Oxford, die uitgebreid de structuur en reactiviteit van amorfe koolstof in kaart heeft gebracht. De studie maakt gebruik van machine learning-methoden die zijn ontwikkeld door professor Volker Deringer en professor Gabor Csányi van de universiteit van Cambridge. Experimentele metingen werden uitgevoerd door Sami Sainio, een in Aalto gevestigde postdoctoraal onderzoeker aan de Stanford University.

"Volgende, we zijn van plan de methodologie te gebruiken die we hebben ontwikkeld om te voorspellen, bijvoorbeeld, wat voor soort koolstofoppervlak zou het beste zijn voor elektrochemische identificatie van bepaalde neurotransmitters, en probeer vervolgens het gewenste oppervlak te produceren. Op deze manier, computationeel werk zou experimenteel werk leiden en niet omgekeerd, zoals in het verleden vaak het geval was, "Tomi Laurila, zei professor aan de Aalto University.

De studie werd gepubliceerd als een tweedelig artikel in Chemie van materialen .