Искусственные интеллекты сразились за лучший способ синтеза углеродных нанотрубок для электроники

Исследование опубликовано в журнале Carbon.

Если графен можно себе представить как слой углерода толщиной в один атом с кристаллической решёткой в виде сетки шестиугольных сот, то одностенная углеродная нанотрубка — это то, что получится, если свернуть лист графена в цилиндр, хотя в реальности их получают иначе.

«Наша работа связана с возможностями тонкой настройки свойств углеродных нанотрубок, — прокомментировал исследование его первый автор, старший научный сотрудник Сколтеха Дмитрий Красников. — Благодаря своим исключительным свойствам, углеродные нанотрубки применяются сразу во многих областях, от систем прицельной доставки лекарств в организме в поражённые болезнью ткани до устройств для поглощения атмосферного углекислого газа в целях противодействия глобальному потеплению. И только применительно к конкретному приложению можно говорить о неких оптимальных свойствах материала. Взять, например, структурные дефекты нанотрубок: в электронике они вредны, а в водородной энергетике — необходимы».

Чтобы изготовить нанотрубки с желаемыми свойствами, необходимо понимать, какие характеристики меняются — и каким образом — при корректировке тех или иных параметров синтеза. «Этих параметров десятки: температура, количество и состав катализатора, состав газа, время пребывания в реакторе, геометрия реактора и так далее — всё это вместе определяет свойства конечного продукта. Сложное взаимодействие параметров делает оптимизацию синтеза одной из тех задач, которые продуктивно решать с использованием искусственного интеллекта, — пояснил руководитель исследования, профессор Сколтеха Альберт Насибулин. — В нашей статье, в частности, показано, какие алгоритмы ИИ лучше всего оптимизируют параметры аэрозольного синтеза».

Аэрозольный синтез — один из распространённых способов получения углеродных нанотрубок. В реактор подаются вещество — предшественник катализатора и содержащий углерод газ. От нагрева они разлагаются с выделением каталитических частиц и углерода, который кристаллизуется в нанотрубки.

В исследовании варьировались три условия синтеза и рассматривалось их влияние на четыре характеристики нанотрубок. Оптимизацию проводили несколькими конкурирующими моделями. «Мы провели своего рода „конкурс“, заставив наиболее популярные модели машинного обучения соревноваться друг с другом — и искусственные нейронные сети победили, — резюмировал Красников. — Эти сложные многослойные модели оказались значительно впереди в предсказании сложных характеристик углеродных нанотрубок, таких как их оптоэлектрические свойства. Что касается характеристик попроще, например диаметра трубки, искусственные нейросети тоже на первом месте, но здесь линейная регрессия и другие более простые модели уже не столь сильно проигрывают».

Исследование проведено на небольшом датасете, без привлечения внешних данных, и задумано как первый этап более масштабного проекта. С одной стороны, работа показывает, что даже на 250 элементах данных оказалось возможным делать весьма точные предсказания. С другой стороны, учёные рассматривают её как шаг на пути к созданию в Сколтехе “умного” (самообучающегося) реактора, который будет производить углеродные нанотрубки с заранее заданными свойствами, причём делать это с каждым разом более эффективно. По мере продолжения работы датасет будет расти и можно будет оптимизировать более широкий набор условий синтеза и задавать больше целевых свойств материала.

В конечном итоге умный реактор должен стать универсальным решением для настройки параметров синтеза одностенных углеродных нанотрубок, которые будут изготавливаться с тонкой настройкой свойств, необходимых для конкретных приложений в медицине, производстве сенсоров и лазеров, водородной энергетике, улавливании атмосферного углерода и др.