优化单壁碳纳米管(SWCNTs)的生长条件以控制结构生长是一个巨大的挑战。
有鉴于此,中国科学院金属研究所成会明院士、刘畅研究员和日本国立材料科学研究所Dai-Ming Tang等人,报道了一种结合机器学习的高通量方法,可以有效地筛选合成高质量SWCNTs的生长条件。
本文要点
1)开发了一种结合机器学习的高通量方法,以优化高质量SWCNT的生长。将数字索引的催化剂图案离散地沉积在硅晶片上,以从具有不同尺寸的纳米颗粒(NP)中生长出SWCNT。
2)将图案化的钴(Co)纳米颗粒沉积在带有数字标记的硅片上作为催化剂,并对温度、还原时间和碳前驱体参数进行了优化。通过拉曼光谱法对SWCNTs的结晶度进行表征,自动提取出特征G/D峰强度(IG/ID)并映射到生长参数以建立数据库。收集了1280个数据来训练机器学习模型。
3)随机森林回归(RFR)显示,在预测高质量SWCNTs的生长条件方面具有较高的精度,这一点已通过进一步的化学气相沉积(CVD)生长得到了验证。该方法在SWCNTs的结构控制生长方面具有巨大潜力。
参考文献:
Ji, ZH., Zhang, L., Tang, DM. et al. High-throughput screening and machine learning for the efficient growth of high-quality single-wall carbon nanotubes. Nano Res. (2021).
DOI: 10.1007/s12274-021-3387-y
https://doi.org/10.1007/s12274-021-3387-y