东南教育网您的位置:首页 >无人驾驶 >

通过机器学习了解混合材料的接口

导读 使用机器学习方法,TU Graz 的研究人员可以预测混合材料界面处功能化分子的结构形成。现在,他们也成功地看到了这种结构形成的驱动力

使用机器学习方法,TU Graz 的研究人员可以预测混合材料界面处功能化分子的结构形成。现在,他们也成功地看到了这种结构形成的驱动力。

纳米材料的生产涉及功能化(有机)分子在无机表面上的自组装过程。这种有机和无机成分的组合对于有机电子和其他纳米技术领域的应用至关重要。

到目前为止,某些所需的表面特性通常是在反复试验的基础上实现的。分子经过化学修饰,直到找到所需表面特性的最佳结果。然而,控制分子在界面上自组装的过程非常复杂,以至于微小的分子变化会导致完全不同的基序。TU Graz 的物理学家在著名期刊ACS Nano 上发表的一项研究中解释了这种意想不到的结构形成。

为此,研究人员研究了银表面上的醌类化合物。来自固态物理研究所的第一作者 Andreas Jeindl 解释说:“天真地,人们可能期望尺寸略有不同但功能相同的分子形成相似的基序。与此形成鲜明对比的是,我们的联合理论和实验研究表明,醌可以形成不同的结构. 尽管初始条件恒定,但如果没有对相关相互作用的详细了解,就无法预测和计划这些结构的形成。”

三种相反的驱动力

格拉茨的研究人员与来自 FSU Jena 的一个团队现在已经开始打破这种不可预测性。他们发现结构的形成是三种相反驱动力之间权衡的结果:分子和金属之间的相互作用试图迫使所有分子进入相同的方向,而分子之间的相互作用有时会倾向于不同的方向。然后,分子的几何形状充当第三个因素,阻止或仅部分允许某些相互作用。

基于此,他们能够建立一个设计原则,通过该原则,可以预测在界面上形成的结构及其性质——至少对于第一类分子。基于机器学习的搜索算法 (SAMPLE) 发挥了重要作用。Jeindl 阐述道:“我们能够在本出版物中表明,我们的算法预测的结构与有机-无机界面的实验特征非常一致——无论是分子如何在表面上定向,以及基序如何在表面上重复。此外,我们的分析第一次允许对驱动力进行详细和定量的分解,不仅是实验形成的结构,而且是所有可能的结构的事实上的。

具有模块化构建块的界面特性

同样重要的交互机制的非直观相互作用仍然是功能接口设计的挑战。然而,通过对所有驱动力的详细研究,TU Graz 的物理学家仍然能够为给定类别的分子设计功能化分子自组装的设计原理。一旦对不同类别的分子进行了足够的分析,就可以通过模块化构建块在计算机上轻松组装出具有所需界面特性的正确分子。

免责声明:本文由用户上传,如有侵权请联系删除!