在這項(xiàng)研究中，研究了碳團(tuán)簇(C
n，其中n的范圍從16到26)在MgO表面上的行為。研究考慮了通常在礦石中發(fā)現(xiàn)的常見雜質(zhì)(如Si, Mn, Ca, Fe和Al)摻雜的影響。本研究方法結(jié)合了密度泛函理論計(jì)算和機(jī)器學(xué)習(xí)力場(chǎng)分子動(dòng)力學(xué)模擬。研究發(fā)現(xiàn)，C
21簇簇具有由三個(gè)六邊形隔離的三個(gè)五邊形組成的核殼結(jié)構(gòu)，在MgO表面上表現(xiàn)出優(yōu)異的穩(wěn)定性，在MgO摻雜表面上表現(xiàn)出“增強(qiáng)結(jié)合劑”的作用。分子動(dòng)力學(xué)軌跡表明，與其他尺寸的Cn簇和MgO上的柔性石墨烯層相比，MgO表面穩(wěn)定的C
21涂層具有更低的遷移率。此外，這種穩(wěn)定性即使在高達(dá)1100K的溫度下也能保持。分析了C
n在MgO上的電子定位函數(shù)和勢(shì)函數(shù)，發(fā)現(xiàn)C
21環(huán)中心碳與MgO表面之間存在較高的定位電子密度。這項(xiàng)工作提出了C
21島可以作為MgO表面的超穩(wěn)定和低移動(dòng)的前驅(qū)體涂層。這一解釋揭示了在石墨烯產(chǎn)品中觀察到的實(shí)驗(yàn)缺陷，這可以歸因于基底上保持凍結(jié)和不變的碳島的遷移率降低。
圖1. MgO(100)表面C
n (n = 16-26)團(tuán)簇的基態(tài)結(jié)構(gòu)。模型分為三組:C
16-C
18為非封閉核殼結(jié)構(gòu);C
19-C
21和C
24為閉核殼結(jié)構(gòu);C
22、C
23、C
25和C
26具有一個(gè)或兩個(gè)附加環(huán)(CCS+)的核殼幾何結(jié)構(gòu)。
圖2. 對(duì)C
21@MgO獲得的ML-FF進(jìn)行訓(xùn)練和驗(yàn)證。(a)每個(gè)原子的力(BEEF)的貝葉斯誤差估計(jì)和VASP中動(dòng)態(tài)ML算法為ML- FF的生成設(shè)定的閾值標(biāo)準(zhǔn)。(b)相對(duì)于DFT結(jié)果的力預(yù)測(cè)的均方根誤差(RMSE)。(c) ML-FF MD模擬中132個(gè)隨機(jī)選擇結(jié)構(gòu)的能量評(píng)估與DFT相比的誤差。
圖3. (a)獨(dú)立碳簇C
n (n = 16-26)及其二階衍生物(Δ
2E)的結(jié)合能(ΔEn)。(b)獨(dú)立團(tuán)簇芳香性(HOMA)指數(shù)的諧振子模型值。(c)結(jié)合能和(d) Cn@MgO (n = 16-26)含雜質(zhì)和不含雜質(zhì)的二階導(dǎo)數(shù)。(e) C
n (n = 16-26)在X摻雜MgO (X = Si, Mn, Fe, Ca, Al)上的結(jié)合能。(f) Cn@MgO的HOMA指數(shù)值(n = 16-26)。使用預(yù)訓(xùn)練的ML-FF進(jìn)行靜態(tài)優(yōu)化。
圖4. (a)獨(dú)立C
21的結(jié)構(gòu)特征及其電子定位函數(shù)(ELF); (b) C
21@MgO的結(jié)構(gòu)特征及其電子定位函數(shù)(ELF)。(c) graphene@MgO的結(jié)構(gòu)特點(diǎn)。使用預(yù)訓(xùn)練的ML-FF進(jìn)行靜態(tài)優(yōu)化。
圖5. (a) C
21@MgO和(c)石墨烯在MgO (Gra@MgO)上的勢(shì)能隨時(shí)間的變化。(b) C
21@MgO和(d) Gra@MgO的ML-FF MD模擬的快照使用OVITO可視化。
圖6. C
21簇在(a) MgO和(b) Si， (c) Mn， (d) Fe， (e) Ca和(f) Al摻雜的MgO上的平均電位。C
21和X-MgO (X = Mg, Si, Mn, Fe和Ca)體系之間的C
21 Bader電荷在右下角標(biāo)記。
相關(guān)研究成果由倫敦大學(xué)Rachel Crespo-Otero、倫敦大學(xué)瑪麗皇后學(xué)院Devis Di Tommaso課題組2024年發(fā)表在ACS Applied Materials & Interfaces (鏈接：https://doi.org/10.1021/acsami.4c11398)上。原文：Unveiling Carbon Cluster Coating in Graphene CVD on MgO: Combining Machine Learning Force field and DFT Modeling
轉(zhuǎn)自《石墨烯研究》公眾號(hào)
