Nature子刊：机器学习+分子动力学，填补碳纳米管生长机制理解空白！

第一作者：Daniel Hedman,Ben McLean

通讯作者：Daniel Hedman，J. Andreas Larsson，丁峰

通讯单位：韩国基础科学研究所多维碳材料中心（CMCM），中国科学院深圳先进技术研究院

论文速览

碳纳米管（CNTs）在力学、热学、电学和光学方面具有卓越的性能，但CNTs的生长过程中形成的结构缺陷会改变其性质。

本研究通过开发名为DeepCNT-22的机器学习力场（machine learning force field, MLFFF）来驱动分子动力学（MD）模拟，揭示了从成核到生长，包括缺陷形成和愈合在内的CNT形成机制。

研究发现，CNT与催化剂界面高度动态在生长条件下，CNT边缘展现出显著的构型熵。研究表明，在低生长速率和高温度下界面缺陷在纳入管壁之前可以愈合，让CNT无缺陷地生长到看似无限的长度。

图文导读

图1：DeepCNT-22数据集的可视化示意图。

图2：在1300 K温度和0.5 ns-1生长速率下，无缺陷的(6,5)单壁碳纳米管（SWCNT）在Fe55催化剂上生长的过程。

图3：生长速率和温度对无缺陷CNT生长的影响。

图4：在Fe55催化剂上生长SWCNTs期间观察到的边缘构型。

总结展望

本研究的亮点在于利用机器学习力场（MLFF）驱动的模拟，实现了对CNT生长过程中界面缺陷形成和愈合机制的深入理解。通过精确控制生长温度和速率，为控制生长长且无缺陷的CNT提供了可能。

本项工作不仅填补了CNT生长机制理解上的空白，还为未来的实验设计和理论发展，尤其是在选择性生长特定手性的CNT方面提供了新方向。

文献信息

标题：Dynamics of growing carbon nanotube interfaces probed by machine learningenabled molecular simulations

期刊：Nature Communications

DOI：10.1038/s41467-024-47999-7