在這項研究中，研究了碳團簇(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現的常見雜質(如Si, Mn, Ca, Fe和Al)摻雜的影響。本研究方法結合了密度泛函理論計算和機器學習力場分子動力學模擬。研究發現，C
21簇簇具有由三個六邊形隔離的三個五邊形組成的核殼結構，在MgO表面上表現出優異的穩定性，在MgO摻雜表面上表現出“增強結合劑”的作用。分子動力學軌跡表明，與其他尺寸的Cn簇和MgO上的柔性石墨烯層相比，MgO表面穩定的C
21涂層具有更低的遷移率。此外，這種穩定性即使在高達1100K的溫度下也能保持。分析了C
n在MgO上的電子定位函數和勢函數，發現C
21環中心碳與MgO表面之間存在較高的定位電子密度。這項工作提出了C
21島可以作為MgO表面的超穩定和低移動的前驅體涂層。這一解釋揭示了在石墨烯產品中觀察到的實驗缺陷，這可以歸因于基底上保持凍結和不變的碳島的遷移率降低。
圖1. MgO(100)表面C
n (n = 16-26)團簇的基態結構。模型分為三組:C
16-C
18為非封閉核殼結構;C
19-C
21和C
24為閉核殼結構;C
22、C
23、C
25和C
26具有一個或兩個附加環(CCS+)的核殼幾何結構。
圖2. 對C
21@MgO獲得的ML-FF進行訓練和驗證。(a)每個原子的力(BEEF)的貝葉斯誤差估計和VASP中動態ML算法為ML- FF的生成設定的閾值標準。(b)相對于DFT結果的力預測的均方根誤差(RMSE)。(c) ML-FF MD模擬中132個隨機選擇結構的能量評估與DFT相比的誤差。
圖3. (a)獨立碳簇C
n (n = 16-26)及其二階衍生物(Δ
2E)的結合能(ΔEn)。(b)獨立團簇芳香性(HOMA)指數的諧振子模型值。(c)結合能和(d) Cn@MgO (n = 16-26)含雜質和不含雜質的二階導數。(e) C
n (n = 16-26)在X摻雜MgO (X = Si, Mn, Fe, Ca, Al)上的結合能。(f) Cn@MgO的HOMA指數值(n = 16-26)。使用預訓練的ML-FF進行靜態優化。
圖4. (a)獨立C
21的結構特征及其電子定位函數(ELF); (b) C
21@MgO的結構特征及其電子定位函數(ELF)。(c) graphene@MgO的結構特點。使用預訓練的ML-FF進行靜態優化。
圖5. (a) C
21@MgO和(c)石墨烯在MgO (Gra@MgO)上的勢能隨時間的變化。(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電荷在右下角標記。
相關研究成果由倫敦大學Rachel Crespo-Otero、倫敦大學瑪麗皇后學院Devis Di Tommaso課題組2024年發表在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
轉自《石墨烯研究》公眾號
