成果簡介近日，日本東北大學材料科學高等研究所（WPI-AIMR）張頔博士、李昊教授、上海交大彭林法教授等在Nature Communications發表題為《Active Machine Learning Model for the Dynamic Simulation and Growth Mechanisms of Carbon on Metal Surface》的研究工作，為解開碳在金屬催化表面的行為之謎提供了有效的方法和策略。通過設計主動學習（active learning）的方法，他們成功構建了精準的機器學習力場，揭示了碳材料在催化生長中涉及的微觀過程。他們發現主動學習方法能幫助更精準地采樣及實現精確機器學習力場的構建。該類力場比傳統的經驗力場（如：ReaxFF等）更能準確模擬出碳材料在金屬表面的相互作用（圖1）。圖1.?該研究工作的方法概述及相關示意圖利用得到的機器學習力場，他們使用tfMC蒙特卡洛等方法對Cu(111) 上的石墨烯生長進行了完全動態模擬。他們的研究結果成功重現了碳材料在Cu(111)表面的各種行為，與過去實驗觀測結果高度一致（圖2-4）。圖2. 機器學習力場模擬碳在銅表面的各類行為（1）圖3. 機器學習力場模擬碳在銅表面的各類行為（2）圖4. 機器學習力場模擬碳在銅表面的各類行為（3）隨后，他們將相同策略擴展到Cr(110)、Ti(001) 等金屬表面并對其進行模擬，得到的結果與后續實驗驗證高度一致（圖5）。圖5. 將該模擬方法拓展至Cr(110)、Ti(001) 等金屬表面，及相關實驗驗證結果文獻信息Di Zhang*, Peiyun Yi, Xinmin Lai, Linfa Peng*, and Hao Li*, Active Machine Learning Model for the Dynamic Simulation and Growth Mechanisms of Carbon on Metal Surface. Nature Communications, 15, 344 (2024). https://doi.org/10.1038/s41467-023-44525-z
