Transformaciones químicas precisas a gran escala en las superficies: el aprendizaje profundo se encuentra con la...

Área de la Ciencia:

• Ciencias de la superficie
• Nanotecnología
• Materiales cuánticos

Sus antecedentes:

• La microscopía de sonda de barrido (SPM) permite la fabricación a nanoescala, pero requiere una amplia experiencia en el dominio.
• Los métodos actuales de SPM carecen de escalabilidad y transferibilidad a nuevos sistemas para la construcción atómica y molecular.
• Las técnicas autónomas son cruciales para optimizar las estrategias de SPM en reacciones químicas complejas.

Objetivo del estudio:

• Desarrollar una infraestructura de software autónoma, AutoOSS, para la síntesis en la superficie.
• Para automatizar la eliminación del bromo de la porfirina Zn{II}-5,15-bis{4-bromo-2,6-dimetilfenilo} (ZnBr2Me4DPP) en el Au{111).
• Para permitir una construcción atómica y molecular precisa a través de la optimización de SPM impulsada por IA.

Principales métodos:

• Desarrollo de la infraestructura de software AutoOSS (síntesis autónoma en la superficie).
• Utilizando modelos de redes neuronales para interpretar las salidas de la microscopía de túnel de barrido (STM).
• El uso de aprendizaje por refuerzo profundo para optimizar los parámetros de manipulación de SPM.
• Incorporación de búsqueda de estructura de optimización bayesiana (BOSS) y teoría funcional de densidad (DFT) para el análisis estructural y mecanicista.

Principales resultados:

• Automatización exitosa de la eliminación de bromo de cientos de moléculas de ZnBr2Me4DPP en Au
• Demostración de la optimización impulsada por la IA de los parámetros SPM para las reacciones químicas a nanoescala.
• Integración de la interpretación STM, el aprendizaje por refuerzo y los métodos computacionales para la síntesis autónoma.

Conclusiones:

• AutoOSS proporciona un enfoque eficiente y autónomo para la fabricación a nanoescala.
• El sistema desarrollado facilita el control preciso de las reacciones químicas para la construcción atómica y molecular.
• Este trabajo allana el camino para la síntesis escalable y adaptable de materiales cuánticos basada en SPM.