Dunne films gemaakt van koolstofnanobuisjes zijn veelbelovend voor geavanceerde opto-elektronica, energie en medicijnen, echter met hun productieproces onderworpen aan nauw toezicht en strenge standaardisatie-eisen, ze zullen waarschijnlijk niet snel alomtegenwoordig worden.

"Een grote belemmering voor het ontsluiten van het enorme potentieel van nanobuisjes is hun meerfasige fabricageproces dat buitengewoon moeilijk te beheren is. We hebben voorgesteld om kunstmatige neurale netwerken (ANN) te gebruiken om experimentele gegevens te analyseren en de efficiëntie van enkelwandige koolstofnanobuisjessynthese te voorspellen, " legt een van de auteurs van de studie en Skoltech-onderzoeker uit, Dmitri Krasnikov.

In hun werk gepubliceerd in het prestigieuze Koolstof logboek, laten de auteurs zien dat machinale leermethoden, en, vooral, ANN trainde op experimentele parameters, zoals temperatuur, gasdruk en stroomsnelheid, kan helpen bij het bewaken van de eigenschappen van de geproduceerde koolstofnanobuisfilms.

"De ontwikkeling van de menselijke beschaving en de vooruitgang van de fabricage van materialen en toepassingstechnologieën zijn nauw met elkaar verbonden in het tijdperk van informatie en technologie, met zowel materialen als computationele algoritmen en hun toepassingen die ons dagelijks leven vormgeven. Dit geldt evenzeer voor ANN die zich hebben ontwikkeld tot een onmisbaar hulpmiddel voor het omgaan met taken met meerdere parameters, die variëren van objectherkenning tot medische diagnose. In de afgelopen 25 jaar, er is weinig vooruitgang geboekt in de ontwikkeling van elektronica op basis van koolstofnanobuisjes vanwege de complexe aard van het groeiproces van nanobuisjes. Wij zijn van mening dat onze methode zal helpen bij het creëren van een effectief raamwerk voor de productie van koolstofnanobuisjes en nieuwe horizonten zal openen voor hun echte toepassingen, " zegt hoofd van Skoltech's laboratorium voor nanomaterialen, Professor Albert Nasibulin.