I materiali funzionali sono comunemente impiegati nelle tecnologie emergenti, come soluzioni per l'energia verde e nuovi dispositivi elettronici. Questi materiali sono tipicamente miscele di diversi componenti organici e inorganici e hanno molte proprietà vantaggiose per nuove applicazioni. Per raggiungere il loro pieno potenziale, abbiamo bisogno di conoscenze precise sulla loro struttura atomica. Strumenti sperimentali all'avanguardia, come la microscopia a forza atomica (AFM), può essere utilizzato per studiare adsorbati molecolari organici su superfici metalliche.

Però, spesso è difficile interpretare la struttura reale dalle immagini al microscopio. Le simulazioni computazionali possono aiutare a stimare le strutture più probabili, ma con materiali complessi, la ricerca accurata della struttura è computazionalmente intrattabile con i metodi convenzionali. Recentemente, il gruppo CEST ha sviluppato nuovi strumenti per la previsione automatizzata della struttura utilizzando algoritmi di apprendimento automatico dell'informatica.

In questo lavoro più recente, i ricercatori hanno dimostrato l'accuratezza e l'efficienza del metodo di intelligenza artificiale Bayesian Optimization Structure Search (BOSS). BOSS ha identificato le configurazioni dell'adsorbato di una molecola di canfora su una superficie di Cu(111). Questo materiale è stato precedentemente studiato con AFM, ma dedurre le strutture da quelle immagini era inconcludente. Qui, i ricercatori hanno dimostrato che BOSS può identificare con successo non solo la struttura più probabile, ma anche otto configurazioni stabili di adsorbato che la canfora può avere su Cu(111).

Hanno usato queste strutture modello per interpretare meglio gli esperimenti AFM e hanno concluso che le immagini probabilmente presentano canfora legata chimicamente alla superficie del Cu tramite un atomo di ossigeno. Analizzare in questo modo i singoli adsorbati molecolari è solo il primo passo verso lo studio di assemblaggi più complessi di più molecole sulle superfici e successivamente la formazione di monostrati. Le conoscenze acquisite sulle strutture di interfaccia potrebbero aiutare a ottimizzare le proprietà funzionali di questi materiali.