ИИ и электронная микроскопия позволили ученым впервые визуализировать внутренние дефекты максенов в 3D

Команда ученых, объединившая экспертов в области материаловедения, микроскопии и искусственного интеллекта из передовых исследовательских центров США, разработала инновационную ИИ-платформу. Она позволяет создавать высокоточные 3D-карты атомных дефектов в двумерных слоистых материалах, таких как максены (MXenes). Это прорывное решение снимает давнее ограничение традиционной электронной микроскопии: теперь можно точно установить, в каком конкретно атомном слое «сэндвича» расположена вакансия (отсутствующий атом титана), что является ключом к управлению электропроводностью и механическими свойствами материала.

Максены представляют собой класс 2D-структур, напоминающих «атомные сэндвича» толщиной в несколько слоёв, состоящие из переходных металлов и легких элементов — углерода или азота. Их получают путем химического травления исходных MAX-фаз агрессивными кислотами, которые растворяют промежуточные слои, высвобождая тончайшие нанолисты. Этот процесс неизбежно оставляет «шрамы» в кристаллической решетке — вакансии. Именно эти микроскопические дефекты определяют функциональность материала, влияя на его проводимость, энергоемкость и каталитическую активность.

Главный вызов заключался в том, что обычная микроскопия дает лишь проекцию всех слоев на плоскость, скрывая их истинное положение. Новая разработка с использованием ИИ позволила реконструировать трехмерное распределение вакансий. Выяснилось, что при повышении концентрации кислоты дефекты начинают не просто множиться, а агломерироваться, образуя сквозные нанопоры, проходящие через всю толщину «сэндвича».

В основе метода лежит сканирующая просвечивающая электронная микроскопия с корректором аберраций (режим HAADF) в сочетании с передовыми алгоритмами машинного обучения. Чтобы избежать повреждения хрупких максенов электронным пучком, исследователи использовали мягкие режимы (60 кВ, 10–25 пА), применяя накопление серии коротких кадров для минимизации шумов.

Для решения проблемы наложения слоев ученые применили сверточные нейросети U-Net, которые обучили на 150 000 атомных позициях. ИИ-анализ позволил с высокой точностью распознать дефекты даже в данных с низким уровнем сигнала, заменив трудоемкий ручной подсчет, практиковавшийся ранее.

Для воссоздания 3D-геометрии авторы провели математическую деконволюцию трех слоев металла. Выяснилось, что внутренний слой обладает минимальной концентрацией вакансий, что обусловлено высокой энергией их образования в защищенной центральной зоне. Это позволило построить детальную карту дефектных популяций по всей структуре материала.

Исследование подтвердило прямую связь между условиями травления и степенью дефектности. Увеличение концентрации плавиковой кислоты (HF) с 5–9,1% до 12,5% приводит к росту доли вакансий титана с 1,5% до почти 3,5%. Также было замечено, что при 9,1% HF показатели дефектности могут быть аномально высокими из-за неоднородности травления, когда активнее разрушаются уже поврежденные участки.

Моделирование методами молекулярной динамики подтвердило, что внутренний слой максена выступает как своего рода «стабильный каркас». Термодинамически «выбить» атом из центральной части структуры гораздо сложнее, чем с поверхности, поэтому внешние слои принимают на себя основной химический удар, что делает их более уязвимыми для образования кластеров вакансий и сквозных нанопор.

Теперь, располагая такой детализированной «картой дефектов», ученые могут дать инженерам четкие инструкции по настройке синтеза. Это позволит проектировать материалы с заранее заданными характеристиками для сверхбыстрой электроники, емких аккумуляторов и биомедицинских сенсоров нового поколения. Переход от стихийного появления дефектов к их прецизионному проектированию открывает путь к созданию устройств с предсказуемой и стабильной производительностью.

Источник: iXBT