使用机器学习和拉曼光谱分析扭曲石墨烯

在最近发表在ACS Applied Nano Materials杂志上的一项研究中，研究人员开发了一种新技术，使用机器学习（ML）自动将扭曲双层石墨烯（tBLG）的拉曼光谱分类为各种扭曲方向。

研究：机器学习通过拉曼光谱确定双层石墨烯的扭转角：对范德华异质结构的影响。图片来源：ktsdesign/Shutterstock.com

随着最近对tBLG的需求激增，需要快速，高效和非破坏性的技术来准确确定扭转角。

鉴于其拉曼光谱中记录的石墨烯各个方面的大量信息，拉曼光谱学可能会提供这种方法。但是，由于堆叠序列引起的光谱数据变化很小，因此角度确定可能很困难。

电流角度确定方法的局限性

近几十年来，在微小扭曲方向上发现高导电相激发了人们对扭曲双层石墨烯（tBLG）研究的兴趣。然而，估计tBLG层的扭转角度是困难的。

使用高分辨率成像方法获得最精确的角度测量，例如透射电子显微镜（TEM）或扫描探针显微镜（SPM）。

缺点是观测需要时间，并且需要独立式材料或安装在集流体上的材料。此外，它们在亚微米大小的位置上具有高度局部化的特征，而扭曲程度可能会改变几微米。

因此，这些方法不适合需要在短时间内对不可预测的材料进行大面积分类的实际应用。

用于 tBLG 的拉曼光谱

拉曼光谱是一种非侵入性检查方法，允许使用各种底物和环境进行测量，并能够在很短的时间内分析相对广阔的区域。

它还被广泛用于石墨烯表征，提供了有关材料性能，纯度和电气配置的大量数据。

在tBLG的情况下，也可以使用光谱方法确定扭曲方向，这可以为特定角度区域提供亚度精度。

特别是，计算扭转角需要同时评估许多拉曼光谱分量。然而，频谱日益复杂化可能会使这一过程更具挑战性。

当tBLG经历结构重建时，这种复杂性在低扭曲方向上最为明显。

虽然拉曼光谱包括tBLG角位置的数据，但各种角度的差异可能每分钟一次，包括各种峰的位置、宽度和强度比的微小变化。

这些区别有时乍一看是无法察觉的，很容易被忽视，因此需要对光谱进行彻底的检查。

一种基于ML的新型tBLG制造方法

机器学习 （ML） 是一组方法，它们使用数学根据模型的学习情况对新信息进行分类，或识别未分类数据（无监督 ML）中的趋势。

基于ML的方法正在2D材料研究和加工的许多部分进行准备和实施。ML最近已被证明可用于识别模拟拉曼光谱部分的扭曲角。ML还用于检测由合成单层石墨烯堆栈产生的BLG的某些扭曲角度。

为了从吸收光谱中估计tBLG的分层序列，研究人员在这项研究中创建了一种简单，快速且计算密集度低的基于ML的分析技术。这种方法需要从tBLG拉曼光谱中收集足够的数据，以构建能够推断规定范围内扭曲角的ML模型。

结论与展望

与手动扭转角度标记相比，建议的方法可实现超过99%的精度。此外，这种方法在计算上很轻，即使在最基本的台式机器上，也能在几秒钟内提供整个拉曼映射的预测，包括数十个波长。

最后，所建议方法的多功能性允许其扩展以测量石墨烯中的应变和负载量以及其他薄膜和异构堆叠的调节因子。

建议的方法还可用于研究各种vdW纳米结构材料的扭曲方向，使其成为一种有价值且直接的分析工具，具有现实世界的应用，可以满足当前对扭曲学的理解水平。

参考

Solís-Fernández, P. et al. (2022). Machine Learning Determination of the Twist Angle of Bilayer Graphene by Raman Spectroscopy: Implications for van der Waals Heterostructures. ACS Applied Nano Materials. Available at: https://pubs.acs.org/doi/10.1021/acsanm.1c03928

作者  侯赛因·艾哈迈德

侯赛因毕业于伊斯兰堡空间技术学院，获得航空航天工程学士学位。在学习期间，他参与了与航空航天材料与结构，计算流体动力学，纳米技术和机器人相关的几个研究项目。毕业后，他一直担任自由航空航天工程顾问。他在学士学位的二年级时对技术写作产生了兴趣，并在不同的出版物上写过几篇研究文章。在业余时间，他喜欢写诗，看电影和踢足球。