Op koolstof gebaseerde materialen hebben een enorm potentieel voor het bouwen van een duurzame toekomst, maar materiaalwetenschappers hebben hulpmiddelen nodig om hun atomaire structuur, die hun functionele eigenschappen bepaalt, goed te analyseren. Röntgenfoto-elektronspectroscopie (XPS) is een van de instrumenten die hiervoor worden gebruikt, maar XPS-resultaten kunnen moeilijk te interpreteren zijn. Nu hebben onderzoekers van Aalto een machine-learning tool ontwikkeld om XPS-analyses te verbeteren, die ze vrij beschikbaar hebben gesteld als de XPS Prediction Server.

XPS-spectra zijn grafieken met een verzameling pieken die de bindingsenergie weerspiegelen van de elektronen diep in de atomen waaruit een materiaal bestaat. Omdat de bindingsenergieën afhankelijk zijn van de atomaire omgeving, kunnen ze worden gebruikt om af te leiden hoe de atomen zijn verbonden in een bepaald materiaal of molecuul. Dit maakt XPS-spectra echter ook moeilijk te interpreteren, omdat veel factoren van invloed zijn op bindingsenergieën. De bindingsenergieën van verschillende atomaire kenmerken kunnen elkaar ook overlappen, wat de analyse verder compliceert.

Om hierbij te helpen, ontwikkelde een team onder leiding van Miguel Caro een rekenmethode die het bindingsenergiespectrum van een materiaal kan voorspellen op basis van een computergegenereerd structureel model. Dit vereenvoudigt de interpretatie van XPS-gegevens door het mogelijk te maken om de experimenteel waargenomen bindingsenergieën te vergelijken met de computationele voorspellingen.

Het idee zelf is niet nieuw, maar het probleem was de rekenkundige moeilijkheid om het XPS-spectrum van een materiaal nauwkeurig te berekenen. Het team van Caro heeft dit opgelost met behulp van machine learning. De truc was om een ​​goedkoop computeralgoritme te trainen om de uitkomst van een rekenkundig dure referentiemethode te voorspellen op basis van een efficiënte combinatie van rekenkundig goedkope en dure kwantummechanische gegevens.

De rekenkundig goedkopere methode, DFT, komt niet erg nauwkeurig overeen met de experimentele resultaten. De nauwkeuriger methode, GW, duurt te lang om te berekenen wanneer een molecuul veel atomen heeft. "We hebben besloten om een ​​basismodel te construeren dat overvloedige DFT-gegevens gebruikt en dit vervolgens te verfijnen met schaarse en kostbare GW-gegevens. En het werkte", zegt Caro.

Het resulterende algoritme kan het spectrum voorspellen van elk ongeordend materiaal gemaakt van koolstof, waterstof en zuurstof. "De voorspelde spectra liggen opmerkelijk dicht bij die welke experimenteel zijn verkregen. Dit opent de deur naar een betere integratie tussen experimentele en computationele karakterisering van materialen", zegt Caro. Vervolgens is het team van plan hun techniek uit te breiden met een breder scala aan materialen en andere soorten spectroscopie.

Het open access-artikel is gepubliceerd in Chemistry of Materials . + Verder verkennen

Diamantachtige koolstof wordt anders gevormd dan werd aangenomen - machine learning maakt de ontwikkeling van een nieuw model mogelijk