碳纳米结构可以变得更容易设计和合成，这要归功于一种机器学习方法，可以预测它们在金属表面上的生长方式。由日本东北大学和中国上海交通大学的研究人员开发的新方法将更容易利用碳纳米技术独特的化学多功能性。
该方法发布在《自然通讯》杂志上。
碳纳米结构在各种表面上的生长，包括原子薄膜，已被广泛研究，但对控制所得材料质量的动力学和原子水平因素知之甚少。
“我们的工作解决了实现碳纳米结构在电子或能源处理设备中的潜力的关键挑战，”东北大学团队的Hao Li说。
可能的表面范围很广，而且该过程对几个变量的敏感性使得直接的实验研究具有挑战性。因此，研究人员转向机器学习模拟作为探索这些系统的更有效方法。
通过机器学习，可以将各种理论模型与化学实验数据相结合，以预测碳晶体生长的动力学，并确定如何控制它以实现特定结果。该模拟程序探索策略并确定哪些策略有效，哪些无效，而无需人工指导流程的每一步。
研究人员通过研究石墨烯在铜表面上生长的模拟来测试这种方法。在建立了基本框架后，他们展示了他们的方法如何应用于其他金属表面，例如被氧气污染的钛、铬和铜。
在不同形式的石墨烯晶体中，原子核周围的电子分布可能会有所不同。原子结构和电子排列的这些细微差异会影响材料的整体化学和电化学性能。机器学习方法可以测试这些差异如何影响单个原子和键合原子的扩散以及碳链、拱形和环状结构的形成。
该团队通过实验验证了模拟结果，发现它们非常匹配。“总的来说，我们的工作为设计金属或合金基板提供了一种实用有效的方法，以实现所需的碳纳米结构并探索更多的机会，”李说。
