东北大学和上海交通大学的研究人员开发了一种机器学习方法，发布在《自然通讯》上，能够预测和控制金属表面的碳纳米结构生长，从而促进碳纳米技术在电子和能源处理设备中的化学多功能性的开发。
碳纳米结构在各种表面上的形成已被广泛研究，但对决定所得材料质量的动力学和原子级变量知之甚少。
潜在表面的种类繁多，以及该过程对多种因素的敏感性，使得直接实验检查成为问题。因此，研究人员求助于机器学习模拟来更好地了解这些系统。
机器学习可用于将化学实验数据与不同的理论模型相结合，以预测碳晶体发育的动态，并弄清楚如何管理它以获得预期的结果。
模拟程序研究了几种策略，并确定哪些是有效的，哪些是无效的，而无需在程序的任何阶段进行人工干预。
研究人员通过模拟石墨烯在铜表面上的形成来测试这种策略。在开发了基本框架后，他们展示了如何将他们的技术用于其他被氧气污染的金属表面，如钛、铬和铜。
在各种石墨烯晶体结构中，原子核附近的电子分布各不相同。原子结构和电子排列的这些微小变化会影响材料的整体化学和电化学特性。机器学习技术可以研究这些变化如何影响单个和键合原子的扩散，以及碳链、拱形和环状结构的产生。
该团队通过实验验证了模拟结果，发现它们非常相似。
Li补充说：“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。
他补充说，未来的研究将在此基础上进行扩展，以研究改进催化剂中固体和液体之间的界面，以及用于处理和储存能量的材料的化学特性。
