利用机器学习模型与自动化变革碳纳米管的合成
应用物理
2024-04-02 v1 化学物理
摘要
碳基纳米材料（CBN）在电子、能源和力学等多个领域展现出巨大潜力。然而，其实际应用面临着源于结构控制复杂性、大面积均匀性和高产量等挑战。当前的研究方法在解决 CBN 生产中固有的多变量耦合相互作用方面存在不足。机器学习方法擅长处理此类复杂问题。它们与自动化合成平台的集成已在加速化学合成研究方面展现出显著潜力，但在纳米材料领域仍尚未被充分探索。在此，我们引入了 Carbon Copilot (CARCO)，这是一个由人工智能（AI）驱动的平台，集成了专为碳材料定制的基于 Transformer 的语言模型、机器人化学气相沉积（CVD）以及数据驱动的机器学习模型，旨在赋能加速 CBN 合成的研究。利用 CARCO，我们通过预测一种用于高密度水平对齐碳纳米管（HACNT）阵列合成的优异钛-铂双金属催化剂，展示了创新的催化剂发现，并通过超过 500 次实验进行了验证。此外，在数百万次虚拟实验的辅助下，我们在现实世界中实现了以预定密度合成 HACNT 阵列前所未有的 56.25% 的精度。所有这些均在短短 43 天内完成。这项工作不仅推进了 HACNT 阵列领域的发展，还 exemplifies 了 AI 与人类专业知识的结合以克服传统实验方法的局限性，标志着纳米材料研究的范式转变，并为更广泛的应用铺平了道路。
引用
@article{arxiv.2404.01006,
title = {Transforming the Synthesis of Carbon Nanotubes with Machine Learning Models and Automation},
author = {Yue Li and Shurui Wang and Zhou Lv and Zhaoji Wang and Yunbiao Zhao and Ying Xie and Yang Xu and Liu Qian and Yaodong Yang and Ziqiang Zhao and Jin Zhang},
journal= {arXiv preprint arXiv:2404.01006},
year = {2024}
}