Beyond Synthesis Conditions: Linking In-situ Growth Dynamics to Carbon Nanotube Forest Properties through Multimodal Machine Learning

Stel je een bos voor dat niet groeit uit aarde en regen, maar uit een dunne metaalfilm op een siliciumchip, gevoed door een stroom gas. Dit is de wereld van koolstofnanobuisjes, piepkleine buisjes van zuivere koolstof die ongelooflijk sterk zijn en elektriciteit met gemak geleiden. Wetenschappers proberen deze buisjes al lang te kweken in dichte, rechtopstaande bossen, omdat ze alles van flexibele elektronica tot krachtige batterijen zouden kunnen revolutioneren. De standaardmethode omvat het verhitten van een katalysator en het voeden ervan met koolstofrijk gas, een proces dat chemische dampdepositie wordt genoemd. Jarenlang geloofden onderzoekers dat als ze het recept perfect konden beheersen — de temperatuur, het type gas en de snelheid van de doorstroming — ze precies konden voorspellen hoe hoog het bos zou groeien en hoeveel materiaal ze zouden oogsten. De aanname was dat de begincondities het hele verhaal vertelden, en dat eventuele verschillen in het eindresultaat slechts willekeurige ruis waren, zoals een lichte trilling in een meetinstrument.

Een team onderzoekers aan het National Institute of Advanced Industrial Science and Technology in Japan besloot deze aanname te testen door het bos in realtime te laten groeien. In plaats van alleen de gasstroom in te stellen en te wachten tot het experiment klaar was, bouwden ze een systeem dat de hoogte van het koolstofnanobuisjesbos elke seconde mat terwijl het vormde. Ze combineerden deze live groeivideo's met machine learning, een type computerprogramma dat leert patronen in gegevens te vinden. Hun doel was simpel: kijken of de begininstellingen van het gas voldoende waren om de uiteindelijke oogst te voorspellen, of dat het verhaal van de groei zelf geheimen bevat die de begincondities misten. Wat ze vonden, veranderde hun kijk op het proces. De gasinstellingen konden hen wel vertellen hoe snel het bos zou beginnen te groeien, maar ze konden niet vertellen hoe lang de groei zou duren. De ware bepalende factor voor de uiteindelijke opbrengst was niet het initiële recept, maar de evoluerende staat van de katalysator terwijl deze werkte, een verhaal dat pas duidelijk werd wanneer ze de groei ontvouwde.

De onderzoekers begonnen met het kweken van deze nanobuisjesbossen onder nauwkeurig gecontroleerde omstandigheden. Ze gebruikten een specifieke mengeling van gassen, waaronder acetyleen als koolstofbron, waterstof en een kleine hoeveelheid waterdamp om de katalysator actief te houden. Ze hielden de temperatuur constant op 750 graden Celsius en de totale gasstroom constant, maar varieerden de hoeveelheden waterstof en waterdamp om verschillende groeimilieus te creëren. Na de tien minuten durende groeiperiode maten ze de uiteindelijke hoogte en het gewicht van de bossen. Zoals verwacht varieerden de bossen enorm in grootte. Sommige groeiden hoog en zwaar, terwijl andere kort en schraal bleven, zelfs wanneer ze bijna identieke gasinstellingen hadden. Deze spreiding suggereerde dat de begincondities niet het hele verhaal waren.

Om te begrijpen waarom, keken de onderzoekers naar de live hoogte-metingen die tijdens de groei werden genomen. Ze ontdekten dat de bossen niet alleen verschilden in hun uiteindelijke grootte; ze groeiden op fundamenteel verschillende manieren. Sommige bossen schoten snel omhoog en gingen door voor de volledige tien minuten. Anderen begonnen snel maar stopten met groeien na slechts een paar minuten. Wanneer de onderzoekers een computer gebruikten om deze groeipatronen te groeperen, vonden ze duidelijke vormen in de curves, onafhankelijk van de uiteindelijke hoogte. Dit betekende dat twee bossen dezelfde hoogte konden bereiken, maar via een compleet andere geschiedenis. De ene kon gestaag zijn gegroeid, terwijl de andere razendsnel was gegaan en daarna was gestagneerd. De begininstellingen van het gas konden deze verschillende verhalen niet verklaren.

Het team vroeg vervolgens hun machine learning-modellen om de resultaten te voorspellen op basis van alleen de gasinstellingen. De modellen deden een redelijke poging om de dichtheid van het bos en de kwaliteit van de koolstofstructuur te voorspellen, maar ze faalden volledig bij het voorspellen van de opbrengst, oftewel de totale hoeveelheid geproduceerd materiaal. De modellen zouden voor elk experiment een gemiddelde waarde raden, waardoor ze zowel de zeer hoge als de zeer korte bossen misten. Dit falen bevestigde dat de begincondities alleen onvoldoende waren. De modellen misten een cruciaal stukje informatie: hoe lang de katalysator actief zou blijven. De gasinstellingen bepaalden de initiële snelheid, maar konden niet voorspellen wanneer de groei zou stoppen.

Om dit op te lossen, introduceerden de onderzoekers een nieuwe manier van denken genaamd een observatievenster. Ze vroegen de machine learning-modellen om voorspellingen te doen op basis van de gasinstellingen plus de groeicurve, maar ze stopten de curve op verschillende momenten. Ze begonnen met slechts de eerste twee minuten, daarna vier, zes, enzovoort, tot de volledige tien minuten. Ze ontdekten dat de modellen voor de eerste paar minuten nog steeds de uiteindelijke opbrengst niet goed konden voorspellen. De informatie die nodig was om de uiteindelijke grootte te weten, was op dat moment simpelweg nog niet aanwezig. Echter, naarmate het observatievenster zich uitstrekte naar de middelste en latere stadia van de groei, werden de voorspellingen plotseling accuraat. Tegen de tijd dat er zes minuten waren verstreken, konden de modellen de uiteindelijke hoogte en opbrengst met redelijk vertrouwen inschatten, ook al was de groei nog niet voltooid.

Deze timing was de sleutelontdekking. De onderzoekers realiseerden zich dat de "ruis" die ze eerder hadden genegeerd, eigenlijk een signaal was. De variatie in opbrengst was geen willekeurige fout; het was het resultaat van de veranderende gedragingen van de katalysator in de loop van de tijd. Sommige katalysatoren bleven langer actief, waardoor het bos hoger kon groeien, terwijl andere vroegtijdig uitdoofden. Deze evolutie kon niet worden gezien aan het begin; het onthulde zichzelf pas naarmate de groei vorderde. De machine learning-modellen leerden de vorm van de groeicurve te lezen, specifiek het afremmen van de groeisnelheid, om te voorspellen wanneer het bos zou stoppen.

De studie identificeerde ook welke delen van de gasmengeling het meest belangrijk waren. De computeranalyse toonde aan dat de hoeveelheid waterdamp en waterstof in de gasstroom de belangrijkste factoren waren voor het voorspellen van de opbrengst. Deze gassen staan erom bekend de katalysator werkend te houden, en de gegevens bevestigden dat hun invloed cruciaal was. In tegenstelling hiertoe had de hoeveelheid koolstofbron weinig impact op de uiteindelijke voorspelling zodra de groeicurve werd meegerekend. Dit suggereert dat de balans tussen de gasaanvoer en de gezondheid van de katalysator uiteindelijk bepaalt wat de oogst wordt.

De implicaties van dit werk reiken verder dan alleen het kweken van nanobuisjes. Het biedt een nieuw blauwdruk voor het draaien van complexe productieprocessen. In plaats van alleen een recept in te stellen en te hopen op het beste, of te wachten tot het einde om te zien of een batch is geslaagd, kunnen wetenschappers nu het proces in realtime volgen en beslissingen nemen terwijl het plaatsvindt. Als de groeicurve laat zien dat een batch kort zal blijven, kan het proces vroegtijdig worden gestopt om tijd en middelen te besparen. Omgekeerd, als de groei veelbelovend lijkt, kunnen de condities potentieelgaandens (on the fly) worden aangepast om de opbrengst te maximaliseren. Dit verschuift de rol van monitoring van het simpelweg controleren van het eindproduct naar het actief beheren van de staat van het proces terwijl het evolueert.

Uiteindelijk toonden de onderzoekers aan dat het verhaal van een koolstofnanobuisjesbos niet volledig wordt geschreven in de begincondities. Het begin zet de toon, maar het midden en het einde van de uitvoering worden bepaald door hoe de katalysator gedurende de tijd reageert. Door de groei te volgen en slimme computermodellen te gebruiken om de signalen te lezen, is het mogelijk om de uitkomst te voorspellen lang voordat het proces voltooid is. Deze aanpak verandert een statisch recept in een dynamische conversatie met het materiaal, wat de deur opent naar een nieuw tijdperk van zelfsturende laboratoria die kunnen aanpassen en optimaliseren in realtime.