Ricercatori cinesi e giapponesi hanno sviluppato un metodo di apprendimento automatico che prevede il modo in cui le nanostrutture di carbonio crescono sulle superfici metalliche, rendendole più facili da progettare e sintetizzare.
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 che governano la qualità dei materiali risultanti, a livello atomico. Un nuovo approccio, sviluppato dai ricercatori dell’Università di Tohoku e dell’Università Jiao Tong di Shanghai, in Cina, rende le nanostrutture di carbonio più facili da progettare e sintetizzare, grazie a un metodo di apprendimento automatico che riesce a prevedere come crescono sulle superfici metalliche.
Una tecnica rivoluzionaria
L’ampia gamma di superfici possibili e la sensibilità del processo a diverse variabili rendevano impegnativa l’indagine sperimentale diretta, quindi gli scienziati si sono rivolti alle simulazioni di apprendimento automatico. Con esso, i 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 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 di apprendimento automatico può testare come 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 di ricerca 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 Hao Li dell’Università di Tohoku. 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.
