Maskinindlæring finjusterer flashgrafen

Rice University-forskere bruger maskinlæringsteknikker til at strømline processen med at syntetisere grafen fra affald gennem flash Joule-opvarmning.

Processen, der blev opdaget for to år siden af ​​Rice-laboratoriet af kemiker James Tour, har udvidet sig ud over at lave grafen fra forskellige kulstofkilder til at udvinde andre materialer som metaller fra byaffald, med løftet om mere miljøvenlig genbrug i fremtiden.

Teknikken er den samme for alle ovenstående:at sprænge et stød af høj energi gennem kildematerialet for at eliminere alt undtagen det ønskede produkt. Men detaljerne for flashing af hvert råmateriale er forskellige.

Forskerne beskriver i Advanced Materials hvordan maskinlæringsmodeller, der tilpasser sig variabler og viser dem, hvordan man optimerer procedurer, hjælper dem med at skubbe fremad.

"Machine-learning algoritmer vil være afgørende for at gøre flash-processen hurtig og skalerbar uden at påvirke grafenproduktets egenskaber negativt," sagde Tour.

"I de kommende år kan flashparametrene variere afhængigt af råvaren, om det er petroleumsbaseret, kul, plastik, husholdningsaffald eller noget andet," sagde han. "Afhængigt af den type grafen, vi ønsker - små flager, store flager, høj turbostratisk, renhedsgrad - kan maskinen selv skelne, hvilke parametre der skal ændres."

Fordi blink gør grafen på hundredvis af millisekunder, er det svært at pirre detaljerne i den kemiske proces. Så Tour and Company tog et fingerpeg fra materialeforskere, der har arbejdet med maskinlæring i deres daglige opdagelsesproces.

"Det viste sig, at maskinlæring og flash Joule-opvarmning havde rigtig god synergi," sagde Rice-studerende og hovedforfatter Jacob Beckham. "Flash Joule-opvarmning er en virkelig kraftfuld teknik, men det er svært at kontrollere nogle af de involverede variable, såsom hastigheden af ​​strømudladning under en reaktion. Og det er her, maskinlæring virkelig kan skinne. Det er et fantastisk værktøj til at finde sammenhænge mellem flere variabler , selv når det er umuligt at foretage en fuldstændig søgning af parameterrummet.

"Denne synergi gjorde det muligt at syntetisere grafen fra skrotmateriale baseret udelukkende på modellernes forståelse af Joule-opvarmningsprocessen," sagde han. "Alt, vi skulle gøre, var at udføre reaktionen - som i sidste ende kan automatiseres."

Laboratoriet brugte sin tilpassede optimeringsmodel til at forbedre grafenkrystallisation fra fire udgangsmaterialer - kønrøg, plastpyrolyseaske, pyrolyserede gummidæk og koks - over 173 forsøg, ved at bruge Raman-spektroskopi til at karakterisere udgangsmaterialerne og grafenprodukterne.

Forskerne fodrede derefter mere end 20.000 spektroskopiresultater til modellen og bad den om at forudsige, hvilke udgangsmaterialer der ville give det bedste udbytte af grafen. Modellen tog også hensyn til virkningerne af ladningstæthed, prøvemasse og materialetype i deres beregninger. + Udforsk yderligere

Flash graphene rocks-strategi for plastikaffald