导航二维碳氮化物研究的演变：整合机器学习于传统方法之中
材料科学
2025-07-15 v1 无序系统与神经网络
数据分析、统计与概率
摘要
碳氮化物研究因其独特的电子和结构属性，已在光催化、能源存储和传感等应用领域达到今日研究 endeavours 的令人振奋的阶段。近期机器学习（ML）的快速发展为探索和优化这些材料的潜能开辟了新途径。本研究综合性综述了机器学习技术在碳氮化物研究中的集成，并介绍了CN分类与近期进展。我们讨论了用于预测材料属性、优化合成条件以及提升性能指标的机器学习方法，包括监督学习、无监督学习和强化学习。关键发现表明，机器学习算法可显著减少实验试错，加速发现进程，并提供深入理解碳氮化物结构-性能关系的洞见。将机器学习与传统实验方法相结合的协同效应得到凸显，展示了机器学习驱动模型成功预测具有增强功能性能的新型碳氮化物组成的研究案例。本文也提出了该领域的未来方向，强调需要高质量数据集、先进的机器学习模型以及跨学科合作，以充分实现碳氮化物材料在下一代技术中的潜能。
引用
@article{arxiv.2507.09669,
title = {Navigating the Evolution of Two-dimensional Carbon Nitride Research: Integrating Machine Learning into Conventional Approaches},
author = {Deep Mondal and Sujoy Datta and Debnarayan Jana},
journal= {arXiv preprint arXiv:2507.09669},
year = {2025}
}