通往同一座山顶，可以选择不同路线。那么，具有相同预定结构特征的“碳纳米管森林”，能否通过不同工艺生长而成？近日，研究者利用AI辅助高维逆向设计，找到了多条使碳纳米管阵列的高度、密度和排列程度共同接近预定目标的生长路线，为复杂纳米材料的按需制备提供了新思路。相关成果发表于《国家科学评论》（National Science Review，NSR），华中科技大学徐鸣教授为通讯作者，华中科技大学博士生朱磊为第一作者。
碳纳米管是极细的中空碳管，大量碳管在基底上共同生长，便形成了如同“微型森林”的阵列。这片“森林”有多高、有多密、排列得多整齐，都会影响材料的表现，也关系到其在散热、储能和柔性电子等领域的应用。让这些特征同时达到预定要求，是碳纳米管按需制备面临的一道难题。
图1 碳纳米管“森林”的生长涉及多个阶段和相互关联的工艺变量
传统实验通常从一种配方出发，逐步调整温度、气体流量或处理时间。但这些条件并不独立：一次调整可能让高度接近目标，却使密度或排列程度偏离要求。该研究涉及八个工艺变量，即便每个变量只取十个设置，也会形成一亿种组合。仅靠局部反复试探，很难看清还有哪些路线可走。
针对这一问题，研究团队建立了包含200种不同生长配方的实验数据库，让神经网络学习工艺条件与阵列结构之间的关系，再利用优化算法，从预定的高度、密度和排列程度出发，反向搜索可行配方。这就像为实验探索配上导航：先确定目的地，再寻找能够接近目标的多条路线。
研究人员为三个结构目标分别选出三种工艺条件差异明显的配方，每种配方开展三次独立生长实验。在共27批验证实验中，26批的结构描述符匹配分数超过95%。这意味着，通向预定阵列结构的配方并不唯一，分布在不同工艺区域的路线也能殊途同归。
图2 AI辅助逆向设计找到多种工艺配方，使阵列的高度、密度和排列程度共同接近预定目标
更有意思的是，“森林”相像，不代表每棵“树”都一样。针对其中一个目标，三条路线得到的阵列具有相近的高度、密度和排列程度，但碳管平均外径分别约为3.8、4.8和7.2纳米，管壁结构也有所不同。不同的微观结构，能够共同呈现相近的阵列整体特征。
这项研究将按需合成的思路从寻找一种合适配方，拓展到发现多种可行方案。AI的导航能力来自前期实验积累，而建立的工艺与结构关系可以用于后续目标的计算筛选。未来，结合实际工艺约束，这些备选路线有望为碳纳米管的可控制备提供更大灵活性，也为其他复杂纳米材料的逆向设计提供借鉴。
研究论文
https://doi.org/10.1093/nsr/nwag583
