机器学习驱动的少层 WTe2 合成
材料科学
2021-10-12 v1 机器学习
摘要
将二维（2D）材料的横向尺度缩减至一维（1D）不仅为实现具竞争力的电子器件应用，也为探索基础物理属性吸引了大量研究兴趣。因此，高质量 1D 纳米带（NRs）的可控合成对于深入研究极为迫切且必不可少。传统上，通过试错法探索新材料的最佳合成条件耗时、昂贵且费力。近来，机器学习（ML）已展现出通过有效学习过往数据并给出推荐来指导材料合成的 promising 能力。在此，我们报道了将监督式 ML 用于高质量 1D 少层 WTe2 纳米带（NRs）的化学气相沉积（CVD）合成。WTe2 NRs 的合成参数由训练好的 ML 模型优化。在此基础上，进一步提出了所合成 1T' 少层 WTe2 NRs 的生长机制，这可能为其他 1D 纳米结构的生长策略提供启发。我们的发现表明，ML 是一种强大且高效的方法来辅助 1D 纳米结构的合成，为智能材料开发开辟了新机遇。
引用
@article{arxiv.1910.04603,
title = {Machine learning driven synthesis of few-layered WTe2},
author = {Manzhang Xu and Bijun Tang and Chao Zhu and Yuhao Lu and Chao Zhu and Lu Zheng and Jingyu Zhang and Nannan Han and Yuxi Guo and Jun Di and Pin Song and Yongmin He and Lixing Kang and Zhiyong Zhang and Wu Zhao and Cuntai Guan and Xuewen Wang and Zheng Liu},
journal= {arXiv preprint arXiv:1910.04603},
year = {2021}
}