由于纳米技术的发展，一些新型纳米材料得以发展，比如石墨烯。石墨烯能够通过价格非常低的原料或者废品出发通过Joule热闪蒸方法进行合成。这种方法具有非常好的应用前景，但是在Joule闪蒸合成反应过程中复杂的变量对纳米晶体的生成过程的调控机制仍非常难以理解。

有鉴于此，莱斯大学James M. Tour等报道通过机器学习模型对Joule热闪蒸反应过程中无定形碳转变为石墨烯的过程中控制因素进行研究。

本文要点：

（1）

通过对这种计算模型的理解，给出了合成过程中选择原料、随机电流波动（stochastic current fluctuations）对合成过程的影响。进一步的，通过选择性条件分析，发现电荷和电流密度对合成石墨烯的晶化度产生重要影响，展示发现Joule热闪蒸反应能够随着反应参数改变过程从反应限制性转变为扩散动力学限制的变化。

（2）

通过基于Bayesian元学习算法进行机器学习模型，能够改善多种Joule热合成反应的晶化。本文研究结果展示说明机器学习是分析复杂纳米合成过程的有效方法，为通过Joule热闪蒸技术合成2D材料晶体提供更多机会。

参考文献

Jacob L. Beckham,Kevin M. Wyss,Yunchao Xie,Emily A. McHugh,John Tianci Li,Paul A. Advincula,Weiyin Chen,Jian Lin,James M. Tour,Machine Learning Guided Synthesis of Flash Graphene, Adv. Mater. 2022, 2106506

DOI: 10.1002/adma.202106506

https://onlinelibrary.wiley.com/doi/abs/10.1002/adma.202106506