به گزارش گروه علم و آموزش ایرنا از تارنمای آزونانو، 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.
نتایج این پروژه که با همکاری محققان دانشگاه توهوکو در ژاپن و دانشگاه جیائو تانگ شانگهای در چین انجام شد، در نشریه Nature Communications چاپ شده است.
هائو لی محقق انستیتوی پیشرفته تحقیقات مواد در دانشگاه توهوکو درمورد این تحقیق گفت: ما روی تحقق ظرفیت نانوساختارهای کربنی در وسایل الکترونیکی یا دستگاههای پردازش انرژی کار میکنیم که در این مسیر روی یک چالش اساسی تمرکز داریم.
وی افزود: وجود انواع مختلف سطوح فلزی و همچنین حساسیت فرآیند 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.
این محقق یادآور شد: 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.
لی ادامه داد: محققان این راهبرد را با شبیهسازی شکلگیری گرافن روی یک سطح مس آزمایش کردند. آنها پس از توسعه چهارچوب اساسی، نشان دادند که چگونه میتوان از این روش برای سطوح فلزی دیگری که با اکسیژن آلوده شدهاند، مانند تیتانیوم، کروم و مس استفاده کرد.
وی همچنین گفت: 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 موثر است.
این محقق در دانشگاه توهوکو تصریح کرد: بررسیهای عملی نشان داد که نتایج حاصل از به کارگیری هوشمصنوعی و نتایج کارهای آزمایشگاهی با یکدیگر بسیار همخوانی دارد.
نظر شما