在金属功能化石墨烯中,利用机器学习的分子动力学,弥合纳米结构增长和气体感应动力学
Akram Ibrahim1, Ahmed M Hafez2,3, Mahmooda Sultana4
1Department of Physics, University of Maryland Baltimore County, Baltimore, Maryland 21250, United States.
ACS applied materials & interfaces
|January 14, 2026
概括
机器学习潜力使功能化的石墨烯气体传感器能够进行分子动力学模拟. 这种方法将合成与性能联系起来,揭示了纳米结构形态如何影响探测极限和动力学.
科学领域:
- 材料科学 材料科学 材料科学
- 纳米技术纳米技术
- 计算化学计算化学
背景情况:
- 用催化过渡金属功能化的石墨烯显示出对化学阻力气体传感的前景.
- 了解合成,形态和气体表面反应动力学之间的原子联系至关重要,但具有挑战性.
研究的目的:
- 开发和应用等同变量机器学习原子间潜力,用于高准确度分子动力学模拟.
- 研究 (Pt) 功能化石墨烯的合成,形态和 (H2) 气体感应机制.
主要方法:
- 开发了一种具有DFT精度的等价机器学习原子间潜力.
- 在石墨烯和H2感应动力学上进行Pt纳米结构生长的分子动力学 (MD) 模拟.
- 用传输电子显微镜 (TEM) 和拉曼光谱学验证的模拟.
主要成果:
- Pt沉积导致多晶纳米集群,其中主要是非共价石墨烯相互作用,导致中度应变和兴奋剂.
- H2分裂性化学吸附和复合性脱附主要发生在Pt纳米集群上.
- 在Pt上的H吸附削弱了界面结合,创建了一个间接的电子传感路径;中间金属负载优化了检测极限.
结论:
- 机器学习的MD框架准确地模拟了纳米结构的生长,并阐明了气体感应机制.
- 建立了一个多级预测管道,将合成条件,纳米结构形态和气体传感器性能指标 (如检测极限和动力学) 相关联起来.
