人工智能有助于识别正确的原子结构

功能材料通常用于新兴技术中，例如绿色能源解决方案和新型电子设备。这些材料通常是不同有机和无机成分的混合物，并具有许多有利于新型应用的特性。为了充分发挥它们的潜力，我们需要对其原子结构有确切的了解。最先进的实验工具，例如原子力显微镜(AFM)，可用于研究金属表面上的有机分子吸附物。

但是，从显微镜图像解释实际结构通常很困难。计算仿真可以帮助估计最可能的结构，但是对于复杂的材料，使用常规方法在计算上很难进行精确的结构搜索。最近，CEST小组使用计算机科学的机器学习算法开发了用于自动结构预测的新工具。

在这项最新工作中，研究人员证明了贝叶斯优化结构搜索(BOSS)人工智能方法的准确性和效率。BOSS确定了Cu(111)表面上的樟脑分子的吸附物构型。先前已经通过AFM研究了这种材料，但是从这些图像推断结构尚无定论。在这里，研究人员表明，BOSS不仅可以成功识别出最可能的结构，而且还可以识别出樟脑在Cu(111)上可以具有的八个稳定的吸附物构型。

他们使用这些模型结构更好地解释了AFM实验，并得出结论，这些图像可能具有樟脑通过氧原子化学键合到Cu表面的特征。以这种方式分析单分子吸附物只是研究表面上几个分子的更复杂组装以及随后形成单分子层的第一步。获得的关于界面结构的见解可以帮助优化这些材料的功能特性。