近日，厦门大学张志森副教授和吴建洋教授团队将机器学习应用到氧化石墨烯材料设计中，深入揭示了多晶氧化石墨烯材料中复杂的、隐藏的结构-微纳米力学属性关系。相关结果以Machine Learning Assisted Insights into the Mechanical Strength of Nanocrystalline Graphene Oxide”为题发表在2D Materials上。论文第一作者为厦大物理系硕士生徐艺华。
氧化石墨烯(GO)是石墨烯衍生物，主要由sp2杂化的碳原子和羟基、环氧基和羧基等各种氧主导的表面官能团组成。这种结构特征使氧化石墨烯表现出独特的性能，使其在纳米复合材料、超级电容、传感器和脱盐膜等领域得到了重要的实际应用。氧化石墨烯结构的力学性能可以根据表面氧官能团和晶粒尺寸等来调整，这在氧化石墨烯材料设计领域是一个研究的热点问题。然而非化学计量氧功能化的氧化石墨烯薄片中多种因素对其力学性能的影响仍有待确定。
研究团队利用基于第一性原理的ReaxFF力场开展的分子动力学模拟，研究了表面功能化多晶氧化石墨烯片（NCGOs）在单轴张力下的力学性能和失效机理。开发了基于四种不同方法(XGBoost、MLP、RF和GBDT)的机器学习模型，并对NCGOs的力学性能进行了预测。同时，通过特征值工程进一步进行数据驱动的敏感性分析，定量分析发现，氧化度和晶粒度是决定NCGOs拉伸强度最敏感的参数，而羟基对NCGOs拉伸强度的影响比环氧基更关键。这项研究为使用数据驱动的方法进行更广泛的材料发现提供了参考与依据。
图1.多晶氧化石墨烯结构模型
及机器学习预测的相关结果
论文链接:https://doi.org/10.1088/2053-1583/ac635d
感谢中国国家自然科学基金，江西省杰青，及中央高校基本科研业务费的资助。同时感谢厦门大学信息网络中心的计算机计时的支持。
团队合影：其中后排右起第二位为论文第一作者徐艺华，右起第五位和第六位为论文通讯作者张志森副教授和吴建洋教授。
