使用机器学习解决单壁碳纳米管森林合成中的晶度和产量之间的权衡问题
Dewu Lin1, Shun Muroga1, Hiroe Kimura2
1Nano Carbon Device Research Center, National Institute of Advanced Industrial Science and Technology (AIST), Tsukuba Central 5, 1-1-1 Higashi, Tsukuba, Ibaraki 305-8565, Japan.
ACS nano
|November 15, 2023
概括
机器学习克服了单壁碳纳米管 (SWCNT) 森林合成中的权衡. 这种方法提高了48%的增长效率,同时保持了高晶度,优化了复杂材料的生产.
科学领域:
- 材料科学 材料科学 材料科学
- 化学工程是化学工程的重要组成部分.
- 纳米技术 纳米技术
背景情况:
- 合成的权衡限制了单壁碳纳米管 (SWCNT) 森林的生长,其中优化结晶性等特性可能会损害生长效率.
- 在SWCNT森林合成中同时实现相互排斥的属性是由于竞争的生长机制而面临的重大挑战.
研究的目的:
- 通过开发预测模型来克服SWCNT森林生长中的合成权衡.
- 确定最佳的生长条件,以提高结晶性和生长效率.
主要方法:
- 训练了一种机器学习回归模型,使用来自自动合成反应堆的585个实验合成数据点.
- 与受过训练的模型进行了16000次虚拟实验,以探索结晶度-高度权衡的潜在解决方案.
- 经过验证的模型预测与真实实验合成.
主要成果:
- 机器学习模型准确地预测了生长条件,导致SWCNT森林生长效率提高48%,同时保持高晶度 (G/D比率).
- 验证实验证实了模型的预测,在不到50个测试中取得了更好的结果.
- 确定碳原料的反应性和度是克服SWCNT结晶性和生长效率之间的权衡的关键因素.
结论:
- 机器学习有效地解决了SWCNT森林生长等复杂的多变量系统中的合成权衡问题.
- 开发的模型为优化SWCNT合成提供了一个强大的工具,使得高晶度SWCNT森林的高效生产成为可能.
- 这项研究通过克服固有的合成障碍,促进了先进纳米材料的合成.
