SML框架高效预测闪蒸石墨烯的合成

石墨烯的广泛应用推动了对其可扩展合成方法的迫切需求。尽管已有多种合成技术被提出，2020年引入的闪蒸焦耳加热（FJH）技术以其能够从不同碳源快速合成克级石墨烯而脱颖而出。FJH技术利用高放电率电容器产生的焦耳热，迅速打破化学键并重组碳原子形成热力学稳定的sp2杂化石墨烯片层，生成的亚稳态结构——闪蒸石墨烯（FG）——具有高度的各向异性，使其在溶剂中易于分散，是高性能复合材料的优选添加剂。然而，FJH过程的远非平衡特性带来了诸多未知因素，使得建立加工参数与材料性能之间的关联颇具挑战。虽然数据驱动模型在材料合成指导中展现出潜力，但它们的“黑箱”特性和对大量数据的依赖限制了其在实际应用中的有效性。为了解决这一问题，研究者提出了结合数据驱动与基于物理的混合模型，通过在模型训练中引入物理规则，以有限的实验数据实现高解释性的成功模型训练，为FG合成过程中的参数优化和性能预测提供了新的视角。

文章简介

2023，莱斯大学的James Tour教授研究团队在期刊《Digital Discovery》上发表题为“A scientific machine learning framework to understand flash graphene synthesis”的论文。本研究介绍了一种科学机器学习（SML）框架，用于预测通过闪蒸焦耳加热（FJH）方法从低价值碳基材料合成闪蒸石墨烯（FG）的产率。FJH作为一种具有可扩展性和高性能的FFE处理技术，其复杂的FFE过程特性限制了对反应机制的深入理解。为解决数据驱动的ML模型在训练时对大量实验数据的依赖问题，本框架融合了直接处理变量和间接物理信息变量，通过代理ML模型预测电流特征，并结合多物理建模得到的反应温度。这种方法显著提升了模型的预测精度，平均R²分数达到0.81，RMSE降至12.1%，验证了间接特征在反应结果中的关键作用。该SML框架不仅为FG合成提供了新的预测工具，也为其他FFE材料合成过程的数据集处理提供了创新途径。

SML模型在直接实验数据和间接物理信息特征的双重训练下，用以预测由闪蒸焦耳加热合成的石墨烯的质量。该模型的R²达到了0.81，与不使用间接特征相比（R²为0.73），表现出更好的性能。

图文导读

本研究基于173个独立的闪蒸焦耳加热（FJH）反应数据集，深入分析了碳黑（CB）、冶金焦（MC）、塑料废物衍生的热解灰（PA）和废旧轮胎基碳黑（TCB）等不同起始材料对闪蒸石墨烯（FG）产率的影响。

通过宽场拉曼映射技术，结合自定义脚本分析收集到的拉曼光谱，准确评估了FG的产率。图1a展示了非晶碳与合成FG的拉曼光谱，FG的特征2D带表明了石墨晶格的形成，且具有较高的FG晶体质量。通过对每个样本收集的100个拉曼光谱取平均值，减少了个体光谱间的变异性，进而计算出FG的产率。图1b至1e分别展示了I2D/IG、ID/IG、2D带的FWHM和FG产率的统计分布，揭示了不同起始材料对FG产率的影响。

进一步地，图1f和1g通过皮尔逊相关系数（Pearson’s r value）展示了I2D/IG与FG产率的高相关性，而ID/IG对FG产率的影响较小，FWHM值能有效区分高产率样本。图1h和1i分别展示了不同起始材料获得的FG产率分布和统计比较，显示了CB和MC作为起始材料时FG产率的差异。此外，利用t-分布随机邻域嵌入（t-SNE）方法进行的高维参数分析，如图1j所示，验证了起始材料类型对FG产率的影响，表明了包含物理信息的输入特征对提高模型准确性的重要性。

在模型构建和性能方面，本研究提出了一种新的科学机器学习（SML）框架，如图2所示。该框架利用直接实验变量和间接物理信息变量，通过XGBoost代理模型预测了最大电流（IMax）、最终电流与最大电流之比（IF/IMax）和电荷密度（CDIT），并结合多物理模拟预测的反应温度（TSim.），提高了对FG产率预测的准确性和泛化能力。

图3展示了从FJH过程中测量的电流-时间曲线中提取的电流参数及其预测值与真实值的比较，验证了代理模型的预测性能。

最终模型的性能测试表明，XGBoost模型在预测FG产率方面表现最佳，平均R²分数达到0.81，RMSE降至12.1%。图4a和4b展示了六种回归模型的预测性能，其中XGBoost模型在五个不同的训练-测试分割上均展现出较低的RMSE和较高的R²分数。图4c和4d进一步展示了XGBoost模型预测值与真实值的对比，以及预测误差的分布情况。此外，通过排除物理信息特征的实验，如图4e和4f所示，验证了这些特征对提高模型预测精度的重要性。

最后，图5展示了对最终XGBoost模型中输入特征的重要性分析，其中包括CD0、MPS、MR、Msp2、预测的IMax、IF/IMax、CDIT、TSim.、t、VPre、Atm和H等特征的皮尔逊相关性分析和重要性排名。这些分析结果不仅为FG产率的预测提供了深入的洞见，也为模型的解释性提供了有力支持。

总结展望

本研究成功展示了一种科学机器学习（SML）框架，该框架有效地弥合了输入处理参数与预测的闪蒸石墨烯（FG）产率之间的差距。通过系统地运用代理机器学习（ML）模型和多物理场模拟，本研究开发了一种提取物理信息描述符的方法，包括电流衍生属性和模拟温度。这些额外的输入特征在提高最终ML模型的预测精度方面发挥了关键作用，这一点通过特征重要性分析得到了进一步验证。除了模拟温度（TSim.）和电荷密度（CD0），起始材料的选定物理属性也是重要的特征。通过定量分析对模型的可解释性提供了对FJH反应机制的洞见。

总结而言，SML框架的发展提供了一种预测新实验结果的方法论，从而节省了因进行不必要实验而产生的成本和时间，这将加速FG的合成进程。此外，这种方法论可以方便地应用于其他材料系统，以及通过其他加工方法处理的系统，为材料科学领域提供了一种新的工具，以数据驱动的方式优化和预测材料合成过程。随着机器学习与物理模拟的不断融合，未来的材料设计和合成将更加精准、高效，为新型高性能材料的开发铺平道路。

文章链接

Kianoosh Sattari, Lucas Eddy, Jacob L. Beckham, Kevin M. Wyss, Richard Byfield, Long Qian, James M. Tour and Jian Lin. A scientific machine learning framework to understand flash graphene synthesis.  Digital Discovery, 2023. DOI: 10.1039/D3DD00055A