Le nanostrutture di carbonio potrebbero diventare più facili da progettare e sintetizzare grazie a un metodo di apprendimento automatico che prevede come crescono sulle superfici metalliche. Il nuovo approccio, sviluppato dai ricercatori dell'Università giapponese di Tohoku e dell'Università Jiao Tong cinese di Shanghai, renderà più semplice sfruttare la versatilità chimica unica della nanotecnologia del carbonio. Il metodo è stato pubblicato sulla rivista Nature Communications .
La crescita delle nanostrutture di carbonio su una varietà di superfici, comprese le pellicole atomicamente sottili, è stata ampiamente studiata, ma si sa poco sulla dinamica e sui fattori a livello atomico che governano la qualità dei materiali risultanti. "Il nostro lavoro affronta una sfida cruciale per realizzare il potenziale delle nanostrutture di carbonio nei dispositivi elettronici o di elaborazione dell'energia", afferma Hao Li del team dell'Università di Tohoku.
L'ampia gamma di superfici possibili e la sensibilità del processo a diverse variabili rendono impegnativa l'indagine sperimentale diretta. I ricercatori si sono quindi rivolti alle simulazioni di apprendimento automatico come modo più efficace per esplorare questi sistemi.
Con l’apprendimento automatico, vari modelli teorici possono essere combinati con i dati di esperimenti chimici per prevedere la dinamica della crescita cristallina del carbonio e determinare come può essere controllata per ottenere risultati specifici. Il programma di simulazione esplora le strategie e identifica quali funzionano e quali no, senza la necessità che gli esseri umani guidino ogni fase del processo.
I ricercatori hanno testato questo approccio studiando simulazioni della crescita del grafene, una forma di carbonio, su una superficie di rame. Dopo aver stabilito la struttura di base, hanno mostrato come il loro approccio potrebbe essere applicato anche ad altre superfici metalliche, come titanio, cromo e rame contaminati da ossigeno.
La distribuzione degli elettroni attorno ai nuclei degli atomi in diverse forme di cristalli di grafene può variare. Queste sottili differenze nella struttura atomica e nella disposizione degli elettroni influenzano le proprietà chimiche ed elettrochimiche complessive del materiale. L'approccio dell'apprendimento automatico può testare in che modo queste differenze influenzano la diffusione dei singoli atomi e degli atomi legati e la formazione di catene, archi e strutture ad anello di carbonio.
Il team ha convalidato i risultati delle simulazioni attraverso esperimenti e ha scoperto che corrispondevano strettamente. "Nel complesso, il nostro lavoro fornisce un metodo pratico ed efficiente per progettare substrati metallici o leghe per ottenere le nanostrutture di carbonio desiderate ed esplorare ulteriori opportunità", afferma Li.
Aggiunge che il lavoro futuro si baserà su questo per studiare argomenti come le interfacce tra solidi e liquidi nei catalizzatori avanzati e le proprietà chimiche dei materiali utilizzati per il trattamento e lo stoccaggio dell'energia.
Ulteriori informazioni: Di Zhang et al, Modello di apprendimento automatico attivo per la simulazione dinamica e i meccanismi di crescita del carbonio sulla superficie metallica, Nature Communications (2024). DOI:10.1038/s41467-023-44525-z
Fornito dall'Università di Tohoku
