作者:莱斯大学迈克·威廉姆斯
一个闪光表示在参观实验室中从废物中产生石墨烯
信用:杰夫·菲特洛 莱斯大学的科学家正在使用机器学习技术来简化通过快速焦耳加热从废物中合成石墨烯的过程
化学家詹姆斯·图尔的莱斯实验室两年前发现的这一过程已经超越了从各种碳源中制造石墨烯，扩展到从城市垃圾中提取金属等其他材料，并有望实现更环保的回收利用
上述所有的技术都是一样的:通过源材料喷射一股高能震击来消除除了想要的产品之外的所有产品
但是闪蒸每种原料的细节是不同的
研究人员在《高级材料》中描述了适应变量的机器学习模型是如何帮助他们前进的，并向他们展示了如何优化程序
Tour说:“机器学习算法对于使闪存工艺快速且可扩展，而不会对石墨烯产品的性能产生负面影响至关重要。”
他说:“在未来几年，闪蒸参数可能会因原料而异，无论是石油基、煤炭、塑料、家庭垃圾还是其他任何东西。”
“根据我们想要的石墨烯类型——小薄片、大薄片、高涡轮层次感、纯度水平——机器可以自己识别要改变的参数
" 机器学习正在微调莱斯大学的闪焦耳加热方法，用于从各种碳源(包括废料)中制造石墨烯
信用:雅各布·贝克汉姆 因为闪烁可以在数百毫秒内制造石墨烯，所以很难梳理出化学过程的细节
因此，图尔和他的公司从从事机器学习的材料科学家那里获得了一条线索，并将其运用到日常的发现过程中
“事实证明，机器学习和闪光焦耳加热有很好的协同作用，”莱斯的研究生兼第一作者雅各布·贝克汉姆说
“快速焦耳加热是一项非常强大的技术，但很难控制其中的一些变量，比如反应过程中的电流放电速率
这也是机器学习真正大放异彩的地方
这是一个寻找多个变量之间关系的好工具，即使不可能对参数空间进行完全搜索
“这种协同作用使得完全基于模型对焦耳加热过程的理解，从废料中合成石墨烯成为可能，”他说
“我们所要做的就是进行反应——最终可以实现自动化
" 该实验室使用其定制优化模型，通过173次试验，利用拉曼光谱对原材料和石墨烯产品进行了表征，从而改善了四种原材料(炭黑、塑料热解灰、热解橡胶轮胎和焦炭)的石墨烯结晶
研究人员随后向该模型输入了20，000多条光谱结果，并要求其预测哪些起始材料将提供最佳的石墨烯产量
该模型在计算中还考虑了电荷密度、样品质量和材料类型的影响
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
