As nanoestruturas de carbono podem tornar-se mais fáceis de projetar e sintetizar graças a um método de aprendizado de máquina que prevê como elas crescem em superfícies metálicas. A nova abordagem, desenvolvida por pesquisadores da Universidade Tohoku, no Japão, e da Universidade Jiao Tong, na China, tornará mais fácil a exploração da versatilidade química única da nanotecnologia de carbono. O método foi publicado na revista Nature Communications .



O crescimento de nanoestruturas de carbono em uma variedade de superfícies, inclusive como filmes atomicamente finos, tem sido amplamente estudado, mas pouco se sabe sobre a dinâmica e os fatores de nível atômico que governam a qualidade dos materiais resultantes. “Nosso trabalho aborda um desafio crucial para a realização do potencial das nanoestruturas de carbono em dispositivos eletrônicos ou de processamento de energia”, disse Hao Li, da equipe da Universidade de Tohoku.

A ampla gama de superfícies possíveis e a sensibilidade do processo a diversas variáveis ​​tornam a investigação experimental direta um desafio. Os pesquisadores, portanto, recorreram às simulações de aprendizado de máquina como uma forma mais eficaz de explorar esses sistemas.

Com o aprendizado de máquina, vários modelos teóricos podem ser combinados com dados de experimentos químicos para prever a dinâmica do crescimento cristalino do carbono e determinar como ele pode ser controlado para alcançar resultados específicos. O programa de simulação explora estratégias e identifica quais funcionam e quais não, sem a necessidade de humanos para orientar cada etapa do processo.

• 

• 

Os investigadores testaram esta abordagem investigando simulações do crescimento de grafeno, uma forma de carbono, numa superfície de cobre. Depois de estabelecer a estrutura básica, eles mostraram como sua abordagem também poderia ser aplicada a outras superfícies metálicas, como titânio, cromo e cobre contaminadas com oxigênio.

A distribuição de elétrons ao redor dos núcleos dos átomos em diferentes formas de cristais de grafeno pode variar. Essas diferenças sutis na estrutura atômica e no arranjo eletrônico afetam as propriedades químicas e eletroquímicas gerais do material. A abordagem de aprendizado de máquina pode testar como essas diferenças afetam a difusão de átomos individuais e átomos ligados e a formação de cadeias de carbono, arcos e estruturas em anel.

A equipe validou os resultados das simulações por meio de experimentos e descobriu que eles eram muito parecidos. "No geral, nosso trabalho fornece um método prático e eficiente para projetar substratos metálicos ou de liga para alcançar as nanoestruturas de carbono desejadas e explorar novas oportunidades", diz Li.

Ele acrescenta que trabalhos futuros se basearão nisso para investigar tópicos como as interfaces entre sólidos e líquidos em catalisadores avançados e as propriedades químicas dos materiais usados ​​para processamento e armazenamento de energia.

Mais informações: Di Zhang et al, Modelo ativo de aprendizado de máquina para simulação dinâmica e mecanismos de crescimento de carbono em superfícies metálicas, Nature Communications (2024). DOI:10.1038/s41467-023-44525-z
Fornecido pela Universidade Tohoku