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