Les nanostructures de carbone pourraient devenir plus faciles à concevoir et à synthétiser grâce à une méthode d’apprentissage automatique qui prédit leur croissance sur les surfaces métalliques. La nouvelle approche, développée par des chercheurs de l#39Université japonaise du Tohoku et de l#39Université Jiao Tong de Shanghai en Chine, facilitera l#39exploitation de la polyvalence chimique exclusive de la nanotechnologie du carbone. La méthode a été publiée dans la revue Character Communications.
La croissance de nanostructures de carbone sur diverses surfaces, notamment sous forme de films atomiquement minces, a été largement étudiée, mais on sait peu de choses sur la dynamique et les facteurs au niveau atomique régissant la qualité des matériaux résultants. « Nos travaux répondent à un défi critical pour réaliser le potentiel des nanostructures de carbone dans les dispositifs électroniques ou de traitement de l#39énergie », déclare Hao Li de l#39équipe de l#39Université de Tohoku.
Le substantial éventail de surfaces possibles et la sensibilité du processus à plusieurs variables rendent l’investigation expérimentale directe difficile. Les chercheurs se sont donc tournés vers les simulations d’apprentissage automatique comme moyen as well as efficace d’explorer ces systèmes.
Grâce à l’apprentissage automatique, divers modèles théoriques peuvent être combinés avec des données problems d’expériences chimiques pour prédire la dynamique de la croissance cristalline du carbone et déterminer comment elle peut être contrôlée pour obtenir des résultats spécifiques. Le programme de simulation take a look at les stratégies et identifie celles qui fonctionnent et celles qui ne fonctionnent pas, sans qu#39il soit nécessaire que des humains guident chaque étape du processus.
Les chercheurs ont testé cette approche en étudiant des simulations de la croissance du graphène, une forme de carbone, sur une area de cuivre. Après avoir établi le cadre de foundation, ils ont montré comment leur approche pouvait également être appliquée à d#39autres surfaces métalliques, telles que le titane, le chrome et le cuivre contaminés par l#39oxygène.
La répartition des électrons autour des noyaux des atomes dans différentes formes de cristaux de graphène peut varier. Ces différences subtiles dans la structure atomique et la disposition électronique affectent les propriétés chimiques et électrochimiques globales du matériau. L’approche d’apprentissage automatique peut tester comment ces différences affectent la diffusion des atomes individuels et des atomes liés ainsi que la formation de chaînes, d’arcs et de buildings annulaires carbonées.
L’équipe a validé les résultats des simulations par des expériences et a constaté qu’ils correspondaient étroitement. « Dans l#39ensemble, notre travail fournit une méthode pratique et efficace pour concevoir des substrats métalliques ou en alliages afin d#39obtenir les nanostructures de carbone souhaitées et d#39explorer d#39autres opportunités », explique Li.
Il ajoute que les travaux futurs s#39appuieront sur ces connaissances pour étudier des sujets tels que les interfaces entre solides et liquides dans les catalyseurs avancés et les propriétés chimiques des matériaux utilisés pour le traitement et le stockage de l#39énergie.
