Koolstofnanostructuren zouden gemakkelijker te ontwerpen en te synthetiseren kunnen zijn dankzij een machine learning-methode die voorspelt hoe ze groeien op metalen oppervlakken. De nieuwe aanpak, ontwikkeld door onderzoekers van de Japanse Tohoku Universiteit en de Chinese Shanghai Jiao Tong Universiteit, zal het gemakkelijker maken om de unieke chemische veelzijdigheid van koolstofnanotechnologie te benutten. De methode is gepubliceerd in het tijdschrift Nature Communications .

De groei van koolstofnanostructuren op verschillende oppervlakken, waaronder als atomair dunne films, is uitgebreid bestudeerd, maar er is weinig bekend over de dynamiek en factoren op atomair niveau die de kwaliteit van de resulterende materialen bepalen. "Ons werk richt zich op een cruciale uitdaging voor het realiseren van het potentieel van koolstofnanostructuren in elektronica of energieverwerkingsapparatuur", zegt Hao Li van het team van Tohoku University.

Het brede scala aan mogelijke oppervlakken en de gevoeligheid van het proces voor verschillende variabelen maken direct experimenteel onderzoek een uitdaging. De onderzoekers wendden zich daarom tot machine learning-simulaties als een effectievere manier om deze systemen te verkennen.

Met machinaal leren kunnen verschillende theoretische modellen worden gecombineerd met gegevens uit scheikundige experimenten om de dynamiek van de kristallijne groei van koolstof te voorspellen en te bepalen hoe deze kan worden gecontroleerd om specifieke resultaten te bereiken. Het simulatieprogramma onderzoekt strategieën en identificeert welke werken en welke niet, zonder dat mensen elke stap van het proces moeten begeleiden.

De onderzoekers testten deze aanpak door simulaties te onderzoeken van de groei van grafeen, een vorm van koolstof, op een koperoppervlak. Nadat ze het basiskader hadden vastgesteld, lieten ze zien hoe hun aanpak ook kon worden toegepast op andere metalen oppervlakken, zoals titanium, chroom en koper die verontreinigd zijn met zuurstof.

De verdeling van elektronen rond de kernen van atomen in verschillende vormen van grafeenkristallen kan variëren. Deze subtiele verschillen in atomaire structuur en elektronenrangschikking beïnvloeden de algehele chemische en elektrochemische eigenschappen van het materiaal. De machine learning-aanpak kan testen hoe deze verschillen de diffusie van individuele atomen en gebonden atomen en de vorming van koolstofketens, bogen en ringstructuren beïnvloeden.

Het team valideerde de resultaten van de simulaties door middel van experimenten en ontdekte dat ze nauw bij elkaar pasten. "Over het geheel genomen biedt ons werk een praktische en efficiënte methode voor het ontwerpen van metalen of gelegeerde substraten om de gewenste koolstofnanostructuren te bereiken en verdere mogelijkheden te verkennen", zegt Li.

Hij voegt eraan toe dat toekomstig werk hierop zal voortbouwen om onderwerpen te onderzoeken zoals de grensvlakken tussen vaste stoffen en vloeistoffen in geavanceerde katalysatoren en de chemische eigenschappen van materialen die worden gebruikt voor de verwerking en opslag van energie.

Meer informatie: Di Zhang et al, Actief machinaal leermodel voor de dynamische simulatie- en groeimechanismen van koolstof op metaaloppervlak, Nature Communications (2024). DOI:10,1038/s41467-023-44525-z

Aangeboden door Tohoku Universiteit