人工智能有助于識別正確的原子結構

功能材料通常用于新興技術中，例如綠色能源解決方案和新型電子設備。這些材料通常是不同有機和無機成分的混合物，并具有許多有利于新型應用的特性。為了充分發揮它們的潛力，我們需要對其原子結構有確切的了解。最先進的實驗工具，例如原子力顯微鏡(AFM)，可用于研究金屬表面上的有機分子吸附物。

但是，從顯微鏡圖像解釋實際結構通常很困難。計算仿真可以幫助估計最可能的結構，但是對于復雜的材料，使用常規方法在計算上很難進行精確的結構搜索。最近，CEST小組使用計算機科學的機器學習算法開發了用于自動結構預測的新工具。

在這項最新工作中，研究人員證明了貝葉斯優化結構搜索(BOSS)人工智能方法的準確性和效率。BOSS確定了Cu(111)表面上的樟腦分子的吸附物構型。先前已經通過AFM研究了這種材料，但是從這些圖像推斷結構尚無定論。在這里，研究人員表明，BOSS不僅可以成功識別出最可能的結構，而且還可以識別出樟腦在Cu(111)上可以具有的八個穩定的吸附物構型。

他們使用這些模型結構更好地解釋了AFM實驗，并得出結論，這些圖像可能具有樟腦通過氧原子化學鍵合到Cu表面的特征。以這種方式分析單分子吸附物只是研究表面上幾個分子的更復雜組裝以及隨后形成單分子層的第一步。獲得的關于界面結構的見解可以幫助優化這些材料的功能特性。