محققان دانشگاه توهوکو به همراه پژوهشگران دانشگاه جیائو تانگ شانگهای از تکنیک یادگیری ماشین بهره بردند تا بتوانند رشد نانوساختارهای کربنی را بر روی سطوح فلزی پیش‌بینی و کنترل کنند.
تحقیقات در خصوص شکل‌گیری نانوساختارهای کربنی بر روی سطوح مختلف، به ویژه فیلم‌های نازک اتمی، به شدت مورد توجه قرار دارد؛ با این حال، اطلاعات در مورد دینامیک و متغیرهای سطح اتمی که بر کیفیت مواد نهایی تأثیر می‌گذارند، اندک است.
هائو لی، از محققان انستیتوی پیشرفته تحقیقات مواد دانشگاه توهوکو، ابراز می‌دارد: ما در تلاش هستیم تا از پتانسیل نانوساختارهای کربنی در دستگاه‌های الکترونیکی و سیستم‌های پردازش انرژی بهره‌برداری کنیم که در این راستا، به چالش‌های کلیدی متمرکز شده‌ایم.
وجود انواع مختلف سطوح فلزی و همچنین حساسیت فرآیند شکل‌گیری نانوساختارهای کربنی به چندین عامل گوناگون، کار کنترل رشد این ساختارها را دشوار کرده است. بنابراین، پژوهشگران با هدف عمیق‌تر شدن در درک این سیستم‌ها به شبیه‌سازی با استفاده از روش‌های یادگیری ماشین روی آورده‌اند.
از یادگیری ماشین می‌توان برای ادغام داده‌های به‌دست‌آمده از آزمایش‌های متفاوت و مقایسه آن‌ها با مدل‌های نظری استفاده کرد تا پویایی توسعه کریستالی کربن پیش‌بینی شود و چگونگی مدیریت رشد این نانوساختارها به منظور دستیابی به نتایج مطلوب شناسایی گردد.
این محققان راهبرد خود را از طریق شبیه‌سازی تشکیل گرافن بر روی یک سطح مس آزمایش کردند. آن‌ها پس از طراحی یک چارچوب اصلی، روند استفاده از روش خود را برای دیگر سطوح فلزی که با اکسیژن آلوده شده‌اند، نظیر تیتانیوم، کروم و مس نشان دادند.
در شرایط مختلف شکل‌گیری گرافن، نوع توزیع الکترون‌ها در نزدیكی هسته‌های اتم متفاوت است. تغییرات جزئی در ساختار اتمی و ترتیب الکترونی، تأثیر زیادی بر خصوصیات شیمیایی و الکتروشیمیایی مواد دارد. این تکنیک یادگیری ماشین می‌تواند اثرات این تغییرات بر روی اتم‌ها و پیوندهای بین اتمی و همچنین در روند شکل‌گیری زنجیره‌های کربنی و ساختارهای حلقه‌ای را بررسی کند.
مشاهدات تجربی به‌دست‌آمده نشان‌دهنده همخوانی بسیاری بالای نتایج حاصل از به‌کارگیری هوش مصنوعی و نتایج آزمایش‌ها بود.
نتایج این تحقیق در نشریه Nature Communications منتشر شده است.