Графен – уникальный двумерный материал, внешне выглядящий плоским, но на атомном уровне содержащий микроскопические ряби, определяющие его механические, электрические и химические свойства. Эти тонкие волны влияют на прочность, проводимость, активность при химических реакциях и взаимодействие с жидкостями, что имеет решающее значение для разработки гибкой электроники, энергонакопителей, каталитических систем и решений в области нанофлюидики.
Недавние исследования, опубликованные в Proceedings of the National Academy of Sciences, демонстрируют, как локальные дефекты трансформируют динамику ряби в графене. Присутствие нарушений изменяет способ распространения волн по поверхности, а при достижении определённой концентрации дефектов наблюдается эффект «замораживания» мембраны, при котором гибкость листа существенно снижается.
Применение машинного обучения позволило создать компьютерные модели двумерных систем, способные точно имитировать поведение графена с учетом атомных особенностей. Такие симуляции дают возможность сравнивать рябь в идеальном материале и в системе с дефектами, а также прослеживать эволюцию микроскопических структур с беспрецедентной детализацией.
Доктор Фабиан Тиеманн, начавший это исследование во время кандидатской в UCL, Университете Кембриджа и Имперском колледже Лондона, ныне работает в IBM. Он отмечает: «В то время как эксперименты фиксируют общую форму рябящих мембран, им сложно проследить, как эти структуры эволюционируют на атомном уровне во времени. Наши симуляции устраняют этот пробел, позволяя детально отслеживать динамику ряби и выявлять роль микроскопических дефектов в формировании морфологии материала».
Доктор Камилла Скаллье, ранее The Herchel Smith Postdoctoral Fellow в Кембридже и сейчас постоянный исследователь в Laboratoire de Physique de l'École Normale Supérieure в Париже, добавляет: «Понимая, как дефекты влияют на эти ряби, наша работа помогает инженерам контролировать физическое поведение материалов, используя дефекты — то, что традиционно считалось нежелательным — как инструмент для проектирования». Профессор Ангелос Майкейледс из группы ICE в Департаменте химии Университета Кембриджа отмечает: «Влияние такого небольшого количества дефектов на динамику графена поразительно. Перспективы использования этих новых фундаментальных знаний захватывают дух, особенно в сфере нанофлюидики».
Исследование выявило, что при достижении критического уровня нарушений графеновая мембрана теряет гибкость, фиксируя рябь в статическом состоянии. Такое поведение открывает новые возможности для целенаправленного управления свойствами материалов, позволяя инженерам использовать дефекты не как недостаток, а как инструмент для настройки функциональных характеристик.
Внедрение машинного обучения в материаловедение радикально меняет подход к прогнозированию свойств новых материалов. Профессор Эрих А. Мюллер из Имперского колледжа Лондона подчеркивает: «Эта работа является ярким примером того, как потенциалы машинного обучения позволяют более точно, эффективно и на основе данных прогнозировать свойства материалов», что ускоряет процесс разработки инновационных решений с заданными функциональными особенностями.
Дальнейшие исследования будут сосредоточены на изучении взаимодействия мембран с водой и другими веществами, что способно расширить применение графена в областях гибкой электроники, системы фильтрации и энергонакопления. Полученные данные о динамике ряби предоставляют фундамент для разработки материалов, где дефекты используются сознательно для создания систем с контролируемыми свойствами.
Изображение носит иллюстративный характер
Недавние исследования, опубликованные в Proceedings of the National Academy of Sciences, демонстрируют, как локальные дефекты трансформируют динамику ряби в графене. Присутствие нарушений изменяет способ распространения волн по поверхности, а при достижении определённой концентрации дефектов наблюдается эффект «замораживания» мембраны, при котором гибкость листа существенно снижается.
Применение машинного обучения позволило создать компьютерные модели двумерных систем, способные точно имитировать поведение графена с учетом атомных особенностей. Такие симуляции дают возможность сравнивать рябь в идеальном материале и в системе с дефектами, а также прослеживать эволюцию микроскопических структур с беспрецедентной детализацией.
Доктор Фабиан Тиеманн, начавший это исследование во время кандидатской в UCL, Университете Кембриджа и Имперском колледже Лондона, ныне работает в IBM. Он отмечает: «В то время как эксперименты фиксируют общую форму рябящих мембран, им сложно проследить, как эти структуры эволюционируют на атомном уровне во времени. Наши симуляции устраняют этот пробел, позволяя детально отслеживать динамику ряби и выявлять роль микроскопических дефектов в формировании морфологии материала».
Доктор Камилла Скаллье, ранее The Herchel Smith Postdoctoral Fellow в Кембридже и сейчас постоянный исследователь в Laboratoire de Physique de l'École Normale Supérieure в Париже, добавляет: «Понимая, как дефекты влияют на эти ряби, наша работа помогает инженерам контролировать физическое поведение материалов, используя дефекты — то, что традиционно считалось нежелательным — как инструмент для проектирования». Профессор Ангелос Майкейледс из группы ICE в Департаменте химии Университета Кембриджа отмечает: «Влияние такого небольшого количества дефектов на динамику графена поразительно. Перспективы использования этих новых фундаментальных знаний захватывают дух, особенно в сфере нанофлюидики».
Исследование выявило, что при достижении критического уровня нарушений графеновая мембрана теряет гибкость, фиксируя рябь в статическом состоянии. Такое поведение открывает новые возможности для целенаправленного управления свойствами материалов, позволяя инженерам использовать дефекты не как недостаток, а как инструмент для настройки функциональных характеристик.
Внедрение машинного обучения в материаловедение радикально меняет подход к прогнозированию свойств новых материалов. Профессор Эрих А. Мюллер из Имперского колледжа Лондона подчеркивает: «Эта работа является ярким примером того, как потенциалы машинного обучения позволяют более точно, эффективно и на основе данных прогнозировать свойства материалов», что ускоряет процесс разработки инновационных решений с заданными функциональными особенностями.
Дальнейшие исследования будут сосредоточены на изучении взаимодействия мембран с водой и другими веществами, что способно расширить применение графена в областях гибкой электроники, системы фильтрации и энергонакопления. Полученные данные о динамике ряби предоставляют фундамент для разработки материалов, где дефекты используются сознательно для создания систем с контролируемыми свойствами.
