由 Skoltech 的科学家领导的一个国际团队已经确定了最佳人工智能算法，用于确定最佳合成条件，在该条件下获得碳纳米管具有针对特定应用量身定制的特性：激光、环境监测传感器、药物输送系统、氢能技术。

战斗 AI：人工神经网络被证明比其他人工智能算法更有效地优化具有所需特性的碳纳米管的合成

该研究发表在《碳》杂志上。如果可以将石墨烯想象成一层碳原子厚的碳层，其晶格呈六边形蜂窝状网格形式，那么单壁碳纳米管就是将一片石墨烯卷成圆柱体，尽管实际上，它们的获得方式不同。

“我们的工作与微调碳纳米管特性的可能性有关，”该研究的第一作者、Skoltech 的高级研究员 Dmitry Krasnikov 评论道。“由于其卓越的性能，碳纳米管同时用于许多领域，从体内的靶向药物输送系统到患病组织，再到吸收大气中二氧化碳以抵消全球变暖的装置。只有与特定应用相关，我们才能谈论材料的一些最佳特性。以纳米管中的结构缺陷为例：它们对电子产品有害，但对氢能来说是必需的。”

为了制造具有所需特性的纳米管，有必要了解在调整某些合成参数时哪些特性会发生变化以及如何发生变化。“有许多这样的参数：温度、催化剂的数量和组成、气体组成、在反应器中的停留时间、反应器的几何形状等等——所有这些共同决定了最终产品的特性。参数的复杂相互作用使合成优化成为可以使用人工智能有效解决的任务之一，”该研究负责人、Skoltech 教授 Albert Nasibulin 解释道。“特别是，我们的文章展示了哪些人工智能算法最能优化气溶胶合成的参数。”

气溶胶合成是获得碳纳米管最常用的方法之一。向反应器供给催化剂前体和含碳气体。加热时，它们会分解并释放出催化颗粒和碳，从而结晶成纳米管。

该研究改变了三种合成条件，并检查了它们对纳米管四个特性的影响。优化由多个竞争模型执行。“我们举行了一种‘竞赛’，迫使最流行的机器学习模型相互竞争——人工神经网络获胜，”Krasnikov 总结道。

“这些复杂的多层模型已被证明在预测碳纳米管的复杂特性方面遥遥领先，例如它们的光电特性。当涉及到更简单的特征时，比如管子的直径，人工神经网络也是首当其冲的，但这里线性回归和其他更简单的模型不再损失那么多。

该研究是在一个小数据集上进行的，没有外部数据的参与，被认为是一个更大项目的第一阶段。一方面，这项工作表明即使在 250 个数据项上也可以做出非常准确的预测。另一方面，科学家们认为这是朝着在 Skoltech 创建一个“智能”（自学）反应器迈出的一步，该反应器将生产具有预定特性的碳纳米管，并且每次都更有效率。随着工作的继续，数据集将会增长，并且有可能优化更广泛的合成条件集并设置更多的目标材料特性。

最终，智能反应器应成为调整单壁碳纳米管合成参数的通用解决方案，将根据医学、传感器和激光生产、氢能、大气碳捕获等特定应用所需的特性进行微调等等。