به گزارش ایسنا، شکلگیری نانوساختارهای کربنی در سطوح مختلف، از جمله فیلمهای نازک اتمی، به طور گسترده مورد بررسی قرار گرفته است، اما در مورد دینامیک و متغیرهای سطح اتمی که کیفیت مواد حاصل را تعیین میکنند، اطلاعات کمی وجود دارد.
هائو لی، محقق انستیتوی پیشرفته تحقیقات مواد در دانشگاه توهوکو میگوید: ما روی تحقق پتانسیل نانوساختارهای کربنی در وسایل الکترونیکی یا دستگاههای پردازش انرژی کار میکنیم که در این مسیر روی یک چالش اساسی تمرکز داریم.
وجود انواع مختلف سطوح فلزی و همچنین حساسیت فرایند شکلگیری نانوساختارهای کربنی به چندین عامل مختلف، موجب شده تا کنترل رشد این نانوساختارها دشوار باشد. در نتیجه، محققان برای به دست آوردن درک بهتر از این سیستمها به شبیهسازی با یادگیری ماشین متوسل شدهاند.
از یادگیری ماشینی میتوان برای ترکیب دادههای حاصل از آزمایشهای مختلف و مقایسه آنها با مدلهای نظری استفاده کرد تا پویایی توسعه کریستالی کربن را پیشبینی کند و نحوه مدیریت رشد این نانوساختارها را برای به دست آوردن نتایج مطلوب تشخیص داد.
محققان این راهبرد را با شبیهسازی شکلگیری گرافن روی یک سطح مس آزمایش کردند. آنها پس از توسعه چارچوب اساسی، نشان دادند که چگونه میتوان از روش آنها برای سطوح فلزی دیگری که با اکسیژن آلوده شدهاند، مانند تیتانیوم، کروم و مس استفاده کرد.
در حالتهای مختلف تشکیل گرافن، نوع توزیع الکترونها در نزدیکی هستههای اتم متفاوت است. این تغییرات کوچک در ساختار اتمی و ترتیب الکترونی بر خصوصیات شیمیایی و الکتروشیمیایی کلی مواد تأثیر میگذارد. این روش یادگیری ماشینی میتواند بررسی کند که چگونه این تغییرات بر اتمها و پیوندهای بین اتمی تاثیر گذاشته و همچنین در ایجاد زنجیرههای کربنی و ساختارهای حلقهای مؤثر است.
بررسیهای عملی نشان داد که نتایج حاصل از بهکارگیری هوشمصنوعی و نتایج کارهای آزمایشگاهی با یکدیگر بسیار همخوانی دارد.
نتایج این پروژه در نشریه Nature Communications به چاپ رسیده است.
انتهای پیام
نظرات