Kunstmatige intelligentie helpt om de juiste atomaire structuren te identificeren

Functionele materialen worden vaak gebruikt in opkomende technologieën, zoals groene energieoplossingen en nieuwe elektronische apparaten. Deze materialen zijn typisch mengsels van verschillende organische en anorganische componenten en hebben veel gunstige eigenschappen voor nieuwe toepassingen. Om hun volledige potentieel te bereiken, hebben we nauwkeurige kennis nodig over hun atomaire structuur. State-of-the-art experimentele tools, zoals atomic force microscopy (AFM), kunnen worden gebruikt om organische moleculaire adsorbaten op metalen oppervlakken te onderzoeken.

Het interpreteren van de werkelijke structuur uit microscopiebeelden is echter vaak moeilijk. Computationele simulaties kunnen helpen om de meest waarschijnlijke structuren te schatten, maar met complexe materialen is nauwkeurig zoeken naar structuren computationeel onhandelbaar met conventionele methoden. Onlangs heeft de CEST-groep nieuwe tools ontwikkeld voor geautomatiseerde structuurvoorspelling met behulp van machine-learning-algoritmen uit de informatica.

In dit meest recente werk hebben onderzoekers de nauwkeurigheid en efficiëntie aangetoond van de kunstmatige intelligentiemethode Bayesian Optimization Structure Search (BOSS). BOSS identificeerde de adsorbaatconfiguraties van een kamfer-molecuul op een Cu (111) -oppervlak. Dit materiaal is eerder bestudeerd met AFM, maar het afleiden van de structuren uit die afbeeldingen was niet doorslaggevend. Hier hebben de onderzoekers aangetoond dat BOSS met succes niet alleen de meest waarschijnlijke structuur kan identificeren, maar ook acht stabiele adsorbaatconfiguraties die kamfer kan hebben op Cu (111).

Ze gebruikten deze modelstructuren om de AFM-experimenten beter te interpreteren en concludeerden dat de afbeeldingen waarschijnlijk kamfer bevatten die chemisch aan het Cu-oppervlak is gebonden via een zuurstofatoom. Het op deze manier analyseren van enkelvoudige moleculaire adsorbaten is slechts de eerste stap in de richting van het bestuderen van meer complexe samenstellingen van verschillende moleculen op oppervlakken en vervolgens de vorming van monolagen. Het verworven inzicht in interfacestructuren zou kunnen helpen om de functionele eigenschappen van deze materialen te optimaliseren.