人工智能赋能的半导体碳纳米管生长仿生设计

催化剂设计对于材料合成至关重要，尤其是复杂的反应网络中。诸如协作催化系统和多功能催化剂等策略有效，但在纳米尺度上面临挑战。碳纳米管合成包含复杂的纳米尺度催化反应，因此实现高密度、高品质半导体CNT的需求驱动了创新的催化剂设计。本文提出一种整合机器学习于传统催化剂设计以实现半导体CNT合成的全面框架。它结合基于知识的见解与数据驱动技术。该框架利用包括开放式电子结构数据库用于精确物理化学描述符、基于预训练自然语言处理的嵌入模型用于更高层次的抽象，以及基于实验数据的物理驱动预测模型。通过该框架，我们提出了一种通过催化剂-介导的电子注入通过光照调控生长期间选择性半导体CNT合成的方法。筛选了54个候选催化剂，识别出三个具有高潜力的催化剂。高通量实验验证了预测结果，其中半导体选择性超过91%，FeTiO3催化剂达到98.6%。该方法不仅解决了半导体CNT合成问题，也为全局性催化剂设计和纳米材料合成提供了可推广的方法，推动了材料科学在精确控制方面的发展。