机器智能支撑二维枝晶合成全流程

以化学气相沉积(CVD)生长二维枝晶为例，这种技术在催化剂领域具有潜在应用前景，却面临参数依赖、数据稀缺和反应过程复杂等模型问题。我们构筑了基于机器智能的全链路材料合成支撑框架，涵盖快速工艺优化、精准定制合成及综合机制解析。首先，集成主动学习于实验工作流程中，通过60次实验(4次迭代)识别出生长高度分支且电催化活性ReSe₂枝晶的最佳配方，仅占大量可能参数组合的<1.3%。随后，开发基于预测准确率引导的数据增强策略，结合基于树的机器学习算法，仅需9次实验添加，揭示5个工艺变量与ReSe₂枝晶分形维数(DF)之间的非线性关联，指导用户定义DF值的合成。最后，我们整合跨尺度表征、可解释机器学习模型与热力学与动力学领域知识，构建数据-知识双驱动机制模型，阐明多种工艺参数对产物形貌的协同贡献。本工作证明了机器学习在改变研究范式方面的潜力，并可适用于更广泛的材料合成场景。