南洋理工/西北工大/西北大学JACS：机器学习驱动合成具有几何控制的少层WTe2

将二维 (2D) 材料的横向尺度减少到一维 (1D) 已吸引了大量研究兴趣，不仅可以实现具有竞争力的电子应用，还可以探索基本物理特性。因此，高质量一维纳米带（NRs）的可控合成对于进一步研究是必不可少的。

在此，西北工业大学王学文教授、西北大学张志勇教授及南洋理工大学刘政副教授等人成功采用机器学习（ML）指导准1D少层1T’ WTe₂ NRs的化学气相沉积（CVD）合成。

为了优化合成条件，通过实验收集CVD合成数据来训练ML 模型，五个CVD参数被确定为重要的输入特征：源比（R_Te/W, 碲粉与钨粉的摩尔比）、反应温度（T, °C）、斜坡时间（t_R, min）、沉积时间（t_D, min）和H₂气体流速（f _H2, sccm）。训练有素的XGBoost模型（受试者工作特征曲线下面积（AUROC）值高达0.93）能够优化CVD合成参数，以实现少层1T’ WTe₂的可控生长。

图1. WTe₂ NR的CVD合成和使用ML的智能分析

从训练模型中进一步提取特征重要性等信息可以为WTe₂的合成和形态控制提供新的见解，H₂气体流速是控制1T’ WTe₂ NRs合成的最重要特征，而R_Te/W主导样品形态。通过对合成参数进行优化，可实现高“可生长”概率和大长宽比，实验验证进一步支持了这一点。

此外，作者还提出了WTe₂ NRs的生长机制，发现准一维WTe₂是在H₂的帮助下从二维WTe₂演化而来。这项工作将ML分析和实验结果相结合，将加速一维材料的发展并促进开发源自二维过渡金属硫属元素化合物家族的多样化纳米结构。

图2. 1T’ WTe₂ NRs的生长机制

Machine Learning Driven Synthesis of Few-Layered WTe₂ with Geometrical Control, Journal of the American Chemical Society 2021. DOI: 10.1021/jacs.1c06786

原创文章，作者：科研小搬砖，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/15/8c645cdd34/

南洋理工/西北工大/西北大学JACS：机器学习驱动合成具有几何控制的少层WTe2

相关推荐

分享到：