Modeling phase separation in polymer-derived carbonitride ceramics through extended machine learning molecular dynamics
Este estudo emprega um potencial interatômico baseado em aprendizado de máquina treinado em mais de 9.000 configurações para simular a dinâmica molecular em grande escala de sistemas de carbonitreto de silício, revelando que o tratamento térmico induz a separação de fases, na qual anéis de carbono defeituosos medeiam a nucleação de folhas semelhantes a grafeno dentro da matriz amorfa, explicando assim as propriedades híbridas únicas do material.