碳基纳米材料(CBNs),如碳纳米管(CNTs)和石墨烯,以其卓越的电学、力学和热学性能彻底改变了材料科学。然而,CBNs的实际应用面临着合成挑战,这些挑战源于结构控制、大面积均匀性和一致性的复杂性,目前的研究方向未能解决这些问题。随着研究兴趣从实验室的小规模演示转向工业应用,可重复性、均匀性和指标的统计显著性等挑战被放大,使得传统方法不再适用。克服这些挑战需要新的研究范式。AI技术在探索复杂科学系统方面表现出色,为解决这些长期挑战提供了新途径。为此,北京大学张锦院士团队与合作者共同开发了基于AI技术的纳米碳材料智能合成平台Carbon Copilot(CARCO),它集成了语言模型、自动化实验装备和数据驱动的机器学习模型,探索纳米碳材料研究的范式变革。CARCO平台采用模块化设计,包括以下三个主要模块:1.语言模型模块:包括Carbon_GPT和Carbon_BERT。Carbon_GPT基于GPTs构建,用于生成宏观学术洞察;而Carbon_BERT基于BERT预训练模型构建,通过对碳材料领域相关文献进行微调,利用词嵌入技术解决具体的筛选类问题。2. 自动化实验模块:由AI控制模块、机械臂、自动进样台、化学气相沉积系统组成,该模块能够每日执行超过30次可靠实验,通过精确的参数控制,确保实验的稳定性和一致性。3.数据驱动的机器学习模块:通过收集实验参数和样品表征数据,建立标准化数据库,并使用机器学习模型进行实验结果的预测和工艺参数的优化,从而提升实验效率并实现对合成过程的精确控制。2024年12月2日,相关工作在 Matter 上发表了题为“ Transforming the synthesis of carbon nanotubes with machine learning models and automation ”研究论文。本文的第一作者为博士生李越、王姝睿,北京大学张锦院士、赵子强教授、杨耀东研究员、钱柳助理研究员为论文共同通讯作者。在本研究中,将材料聚焦到碳纳米管水平阵列上,这是一种平行排列的碳纳米管结构,是理想的场效应晶体管沟道材料,而催化剂在碳纳米管水平阵列的制备过程中起到关键作用。利用CARCO平台对21种双金属催化剂进行了筛选,筛选过程利用了Carbon_BERT,通过词嵌入技术预测不同催化剂在碳纳米管水平阵列合成中的效果,并利用自动化实验模块实现高通量实验验证。结果表明,不同催化剂的阵列生长效果在统计意义上符合Carbon_BERT的预测结果。值得注意的是,排在首位的催化剂是一种在该领域中全新的钛-铂双金属催化剂(TiPt),该催化剂合成的碳纳米管水平阵列在密度、定向性、洁净度、均匀性、一致性等方面均表现优异,综合性能优于传统的铁催化剂。此外,利用CARCO平台,在完成了500余组实验后,基于数据驱动的机器学习模型建立了工艺参数与生长结果的关联,并基于模型进行了数百万次虚拟实验。虚拟实验的结果可以为碳纳米管水平阵列的制备提供配方,从而实现更加高效且精细的指标优化。指定密度的碳纳米管水平阵列制备对于定制化的器件性能至关重要,传统的研究方法无法实现对密度的精确控制。利用CARCO,团队首次实现了指定密度的碳纳米管水平阵列制备,成功率高达56.25%。图1. 纳米碳材料智能合成平台(CARCO)。CARCO平台由三个模块组成:语言模型模块、机器人化学气相沉积(CVD)模块和数据驱动的机器学习(ML)模型模块。语言模型模块包含两个基于Transformer的模型,它们定制了碳材料的相关知识:Carbon_GPT用于问答(Q&A)任务,Carbon_BERT用于筛选任务。机器人CVD模块由CVD中央控制器协调;实线箭头表示命令流,虚线箭头表示样品转移。数据驱动的ML模型模块以数据库为基础构建了一个ML模型组,便于进行过程推荐和高维分析任务。图2. 基于CARCO的催化剂设计及碳纳米管水平阵列制备。A. Carbon_BERT的微调过程。B. 从文本到嵌入向量的示意图。C. 根据Carbon_BERT得出的各种双金属催化剂的余弦相似度排名。D. 使用不同催化剂合成的高取向碳纳米管(HACNT)阵列的密度统计。E和F. 每个催化剂的斯皮尔曼相关系数和SHAP值,展示了它们在合成高密度HACNT阵列中的重要性,其中TiPt组合的性能优于其他组合。图3. 高取向碳纳米管(HACNT)阵列和催化剂的表征。A. 使用TiPt催化剂合成的HACNT阵列的不同放大倍数的扫描电子显微镜(SEM)图像。B. 使用Pt催化剂合成的HACNT阵列的不同放大倍数的SEM图像。C. 使用TiPt催化剂生长的单个碳纳米管(CNT)的原子力显微镜(AFM)图像。D和C. 中的AFM图像相对应的TiPt催化剂的高度轮廓。E. TiPt样品的X射线光电子能谱(XPS),其中拟合的Ti峰表明存在Ti4+。F. 使用TiPt催化剂的HACNT阵列的高分辨透射电子显微镜(HRTEM)表征。G. 使用TiPt催化剂生长的HACNT阵列的拉曼光谱。图4. 碳纳米管水平阵列的指定密度生长。A. 模型建立与密度可控合成的工作流程。B. 回归机器学习模型的性能指标。C. 随机森林(RF)模型在测试集上的表现,散点图显示了实际与预测的高取向碳纳米管(HACNT)密度分数之间的相关性。D. 生长发生分类准确性的混淆矩阵。E. 密度可控生长的实验验证,x轴代表指定的密度,y轴显示实际实验的结果。F. 不同方法的比较成功率:仅回归、回归与分类相结合以及结合人工评估。图5. 与CARCO的交互工作流程两个工作流程。分别是催化剂预测(左侧)和可控密度生长(右侧),展示了CARCO在碳氮化硼(CBN)合成研究中的创新能力和精密制造能力。这项研究不仅推动了纳米碳材料的开发,也展示了AI与自动化系统在探索复杂材料体系中的强大能力。CARCO平台的成功应用证明了AI与人类科学家协作在纳米材料研究中的重要性,为进一步推动材料科学领域的范式革新提供了重要借鉴。此外,这一平台的模块化设计具有很好的拓展性,有望推广到包括石墨烯、二硫化钼等其他纳米材料体系的研究中。原文链接
https://www.sciencedirect.com/science/article/abs/pii/S2590238524005824
免责声明:本文旨在传递更多科研资讯及分享,所有其他媒、网来源均注明出处,如涉及版权问题,请作者第一时间后台联系,我们将协调进行处理,所有来稿文责自负,两江仅作分享平台。转载请注明出处,如原创内容转载需授权,请联系下方微信号。