Guld, en ädelmetall, är utan tvekan den mest använda metallen inom smycken och mynt på grund av dess fysiska egenskaper som är unika för metallvärlden. Det är inte bara en bra ledare av värme och elektricitet, det är opåverkat av luft och de flesta reagenser.

Det används också i ett brett spektrum av industriella, vetenskapliga och medicinska tillämpningar. Till exempel har den använts som mall för molekylär självmontering, det stödjande materialet för tvådimensionell materialtillväxt och speciellt för syntesen av kolnanoband. För mer än ett halvt sekel sedan avslöjade forskare de snygga texturerna på guldytor i nanoskala. Ansträngningar för en bättre förståelse av ytstrukturerna på atomär skala har sedan dess kontinuerligt betalats för.

Au(111)-ytan, den mest stabila guldytan, har en periodisk fiskbensstruktur på sig som kan observeras av sofistikerade mikroskop. Ett långsiktigt pussel är varför detta märkliga fiskben bildas på denna guldyta. Omfattande studier har utförts i decennier men en grundlig beskrivning av strukturdetaljer saknas fortfarande och därför har den bakomliggande mekanismen aldrig förståtts ordentligt.

Svårigheterna i denna fråga ligger i det faktum att även om storleken på texturen är på nanoskala, innehåller dess periodiska enhet fortfarande mer än 100,000 XNUMX atomer. För att kvantitativt studera detta system behöver man en mycket effektiv och även mycket noggrann beräkningsmetod. I traditionella tillvägagångssätt kan dock dessa två krav inte uppfyllas samtidigt.

Nyligen använde den framstående professor Feng Ding (Institutionen för materialvetenskap och teknik) och hans kollegor från Center for Multidimensional Carbon Materials (CMCM), inom Institutet för grundläggande vetenskap (IBS) vid UNIST, den toppmoderna neuralen nätverksmetod för att träna ett guldkraftfält från en noggrann men långsam beräkningsmetod.

På grund av den kraftfulla inlärningsförmågan hos neurala nätverk får detta nya kraftfält nästan samma noggrannhet, och ännu viktigare, det är många storleksordningar snabbare än den ursprungliga metoden.

Med hjälp av detta kraftfält simulerade författarna framgångsrikt den experimentellt observerade fiskbensstrukturen på Au(111)-ytan och avslöjade att det finns en icke försumbar deformation under ytan.

Denna deformation är kritisk för bildandet av fiskbenstexturen eftersom den möjliggör en effektiv relaxation av de omarrangerade ytatomerna. Om deformationen undertrycks (ta en tunn modell till exempel) blir texturen ränder.

Samtidigt har författarna också verifierat att fiskbensstrukturen är känslig för applicerade stammar. På en belastningsfri yta är fiskbensstrukturen spegelsymmetrisk. Men om en lätt påfrestning införs, blir texturen snedställd. Över en kritisk belastning förvandlas den grundligt till en rand textur.

"Detta viktiga arbete utökar tillämpningen av maskininlärningsmetoden i materialvetenskap och öppnar en ny väg att studera komplex yta system”, konstaterade forskargruppen.

Under ledning av den framstående professor Feng Ding skrevs denna studie först av Dr. Pai Li. Resultaten av denna forskning har publicerats i oktobernumret 2022 av Vetenskap Förskott.