Machine-Learning Exploration of Defect Topologies and Thermodynamic Stability in Graphene with Atomic Vacancies
本研究结合了半经验原子热力学、可解释机器学习与符号回归，旨在绘制带有原子空位的石墨烯热力学稳定性图谱，并成功将复杂的结构-稳定性关系浓缩为一个紧凑且高精度的解析定律，该定律确定了缺陷浓度和空位间距是主导因素。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
石墨烯是由碳原子组成的薄片，其薄度使其本质上是二维的，然而它却拥有惊人的强度并能极其轻松地导电。但在现实世界中，这些完美的薄片从未完美无瑕。它们包含着原子缺失的空隙，被称为空位。这些缺失的部分不仅仅是缺陷；它们从根本上改变了材料的行为方式，改变了其磁性能、强度以及与其他化学物质的相互作用。科学家们早已知晓，一片石墨烯的稳定性在很大程度上取决于存在多少这类空隙以及它们彼此之间的距离。当空隙靠得很近时，周围的原子会重新排列以填补空间，这通常使结构比空隙较远时更加稳定。但是，试图精确绘制出这些空隙在每一种可能排列下的相互作用方式，对于传统的计算机模拟来说是一项过于艰巨的任务，因为模拟难以处理如此庞大的可能性数量。
来自巴西利亚大学的一个研究小组通过将计算机模拟与一种新型人工智能相结合，解决了这一问题，从而为这些缺陷的行为创建了一条清晰、易懂的规则。他们并没有尝试从头开始计算每一种可能性，而是建立了一个包含数百种不同石墨烯薄片的库，每种薄片都有特定数量的缺失原子和特定的缺失点间距。他们使用了一种快速的半经验计算机方法来使结构松弛，让原子进入它们最舒适的位置，然后测量创建每种特定排列所需的能量。这个能量值被称为生成热，它是稳定性的直接衡量标准：数值越低，结构越稳定。
为了理解这些海量的数据，研究人员转向了机器学习。他们向计算机输入了每片石墨烯的一种特殊的数字描述——一种捕捉空洞形状和连通性的代码，而无需知道每个原子的精确坐标。随后，他们训练了一个强大的计算机模型，根据这段代码来预测任何新排列的稳定性。该模型以高精度进行学习，能够准确预测它从未见过的薄片的稳定性，这证明它真正理解了底层的物理机制，而非仅仅是记忆数据。
最重要的发现出现在研究人员要求计算机解释其自身推理逻辑的时候。通过分析模型主要依赖哪些因素，他们发现有两个因素主导了材料的稳定性：缺失原子的总数以及它们之间的距离。缺失原子的数量是主要驱动因素；缺失的原子越多，通常意味着薄片越不稳定。然而，它们之间的距离是关键的第二个因素。当缺失原子靠得很近时，它们倾向于合并并重构周围的晶格成新的形状，从而有效地修复损伤并降低能量成本。当它们相距较远时，它们则表现为独立的薄弱点，使材料处于较高的能量状态，即较不稳定的状态。
研究人员并未止步于一个复杂的计算机模型。他们使用了一种称为符号回归的技术，将他们的发现提炼成一条单一且简单的数学定律。这条定律仅利用缺失原子的数量和它们之间的距离来表达石墨烯薄片的稳定性。由此产生的公式简洁且易于使用，同时它能近乎完美地还原复杂的模拟结果。这项工作表明，二维材料中缺陷的混沌且高维的世界可以被简化为一条清晰、可预测的规则。它为那些希望通过有意引入特定缺陷来设计新材料的工程师和科学家提供了一个实用的工具，使他们能够预测其设计的稳定性，而无需为每一种变化都运行昂贵且耗时的模拟。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。