Новый метод впервые показывает, где именно находятся дефекты в многослойном материале и как они зависят от условий синтеза
Междисциплинарная коллаборация материаловедов, микроскопистов и специалистов по ИИ из ведущих национальных лабораторий и университетов США разработала уникальную ИИ-платформу для 3D-картографирования атомных дефектов в многослойных 2D-материалах, таких как максены (MXenes). Эта работа позволяет преодолеть фундаментальное ограничение обычной электронной микроскопии — невозможность определить по плоскому снимку, в каком именно из атомных слоев «сэндвича» находится вакансия (пустое место от атома титана), что крайне важно для управления проводимостью и прочностью материала
Максены представляют собой класс двумерных материалов, которые можно описать как «атомные сэндвичи» толщиной всего в несколько слоёв, состоящие из переходных металлов (например, титана) и углерода или азота. Их производят методом химического травления исходного материала (MAX-фазы) агрессивными кислотами, которые растворяют «лишние» слои и разделяют материал на тончайшие нанолисты. В ходе этого процесса в слоях неизбежно возникают вакансии — пустые области, где отсутствуют атомы металла. Эти «дырки» критически важны, так как они определяют, насколько эффективно материал будет проводить ток, хранить энергию или участвовать в химических реакциях.
Основная научная проблема заключалась в том, что из-за многослойности максенов на обычных снимках микроскопа было невозможно понять, в каком именно слое (верхнем, среднем или нижнем) находится дефект. Новая ИИ-платформа позволила впервые реконструировать трёхмерную карту этих дефектов, обнаружив, что при увеличении концентрации кислоты они не просто увеличиваются, а начинают объединяться в кластеры и сквозные нанопоры, пронизывающие весь «сэндвич» целиком.
Методологический фундамент исследования базируется на микроскопии в режиме HAADF (режим электронной микроскопии, который позволяет визуализировать структуру материалов на атомном уровне) и алгоритмов машинного обучения. Поскольку максены очень чувствительны к электронному пучку и могут быть повреждены, ученые использовали HAADF-режим при низком напряжении (60 кВ) и малом токе (10–25 пА). Для повышения качества сделали серию снимков с короткой выдержкой и затем объединили их для уменьшения шума.
Основная сложность HAADF-микроскопии заключается в том, что она даёт плоское (двумерное) изображение, на котором несколько слоёв атомов накладываются друг на друга. Для того, чтобы «разделить» эти слои и понять, в каком из них находится дефект, авторы работы использовали искусственный интеллект для анализа данных. Нейросети архитектуры U-Net обработали более 150 000 атомных позиций, позволив выявить тысячи дефектов с высокой точностю распознавания даже в условиях низкого отношения сигнал/шум. До этого момента учёные анализировали дефекты вручную.
Для восстановления 3D-структуры исследователи деконволюировали (восстановили искажения) три металлических слоя. Внутренний слой определялся как область с минимальной плотностью вакансий, что согласуется с расчётами более высокой энергии их образования. Это позволило разделить внешние слои по степени дефектности и построить полную карту дефектных популяций.
Анализ показал чёткую зависимость между условиями синтеза и структурой дефектов. При увеличении концентрации плавиковой кислоты (HF) с 5% и 9,1% до 12,5% доля вакансий титана возрастает с ~1,4–1,5% до 3,49%. При этом выявлена особенность: при 9,1% HF дефектность сопоставима или выше, чем при 5%, что объясняется неполным травлением при низкой концентрации и выборочным отделением более повреждённых слоёв.
Исследование показало, что использование высоких концентраций плавиковой кислоты при синтезе приводит не просто к росту числа дефектов, а к их объединению в кластеры и сквозные нанопоры, пронизывающие все слои материала. Моделирование методами Монте-Карло и молекулярной динамики показало, что распределение дефектов определяется также вакансиями углерода и поверхностными группами.
Благодаря анализу так же удалось подтвердить, что внутренний слой максена демонстрирует значительно более высокую устойчивость к образованию дефектов по сравнению с внешними слоями в силу энергетических и структурных факторов: энергия образования вакансий во внутреннем слое значительно выше, чем в поверхностных слоях. С точки зрения термодинамики, системе требуется гораздо больше энергии, чтобы «выбить» атом из защищённого центрального слоя, чем с открытой поверхности. Таким образом, внутренний слой служит своего рода «стабильным каркасом», в то время как внешние слои принимают на себя основной удар химической обработки, что и приводит к наблюдаемой разнице в концентрации дефектов.
Дефекты определяют, как материал будет проводить ток, хранить энергию или катализировать реакции. Теперь учёные смогут передать инженерам «карту и инструкцию»: как именно нужно менять условия синтеза, чтобы получить материал с нужными свойствами для создания сверхэффективной электроники, систем очистки и биомедицинских устройств.
Атомные вакансии существенно влияют на электрохимические свойства и эффективность хранения энергии. Понимая 3D-структуру дефектов, учёные смогут проектировать материалы для батарей, которые будут быстрее заряжаться и дольше держать заряд. Дефекты позволяют точно изменять электронные свойства 2D-материалов, что необходимо для создания более быстрых и энергоэффективных процессоров, а также сверхчувствительных сенсоров для носимых устройств. Контролируя образование пустот (например, не допуская появления сквозных нанопор при травлении), можно создавать более долговечные и устойчивые к физическому износу компоненты. В конечном итоге, переход от случайного возникновения дефектов к их осознанному проектированию позволяет прогнозировать производительность материала и создавать гаджеты с заранее заданными характеристиками.