Functionele materialen worden vaak gebruikt in opkomende technologieën, zoals groene energieoplossingen en nieuwe elektronische apparaten. Deze materialen zijn typisch mengsels van verschillende organische en anorganische componenten en hebben veel voordelige eigenschappen voor nieuwe toepassingen. Om hun volledige potentieel te bereiken, we hebben nauwkeurige kennis nodig over hun atomaire structuur. State-of-the-art experimentele tools, zoals atomic force microscopie (AFM), kan worden gebruikt om organische moleculaire adsorbaten op metalen oppervlakken te onderzoeken.

Echter, het interpreteren van de werkelijke structuur van microscopiebeelden is vaak moeilijk. Computationele simulaties kunnen helpen om de meest waarschijnlijke structuren te schatten, maar met complexe materialen, nauwkeurig zoeken naar structuren is rekenkundig onhandelbaar met conventionele methoden. Onlangs, de CEST-groep heeft nieuwe tools ontwikkeld voor geautomatiseerde structuurvoorspelling met behulp van machine learning-algoritmen uit de informatica.

In dit meest recente werk onderzoekers hebben de nauwkeurigheid en efficiëntie van de kunstmatige intelligentiemethode Bayesian Optimization Structure Search (BOSS) aangetoond. BOSS identificeerde de adsorbaatconfiguraties van een kamfermolecuul op een Cu(111)-oppervlak. Dit materiaal is eerder onderzocht met de AFM, maar het afleiden van de structuren uit die afbeeldingen was niet overtuigend. Hier, de onderzoekers hebben aangetoond dat BOSS met succes niet alleen de meest waarschijnlijke structuur kan identificeren, maar ook acht stabiele adsorbaatconfiguraties die kamfer kan hebben op Cu(111).

Ze gebruikten deze modelstructuren om de AFM-experimenten beter te interpreteren en concludeerden dat de afbeeldingen waarschijnlijk kamfer bevatten die chemisch gebonden is aan het Cu-oppervlak via een zuurstofatoom. Het op deze manier analyseren van enkelvoudige moleculaire adsorbaten is slechts de eerste stap naar het bestuderen van meer complexe samenstellingen van verschillende moleculen op oppervlakken en vervolgens de vorming van monolagen. Het verkregen inzicht in interfacestructuren zou kunnen helpen om de functionele eigenschappen van deze materialen te optimaliseren.