شبیه‌سازی‌های مبتنی بر یادگیری ماشین نشان می‌دهند پلاستیک چگونه به کربن سخت تبدیل می‌شود
پژوهشگران دپارتمان شیمی دانشگاه آکسفورد در مطالعه‌ای تازه که در مجله Chemical Science منتشر شده است، با استفاده از شبیه‌سازی‌های مبتنی بر یادگیری ماشین، روند تبدیل یک پلیمر رایج به کربن سخت را بررسی کرده‌اند. این پژوهش فرایندهای اتمی شکل‌گیری ساختار نامنظم این ماده را آشکار می‌کند؛ ماده‌ای که از نظر فناوری اهمیت فراوانی دارد.
کربن سخت یکی از مواد مهم برای ساخت آند باتری‌های یون سدیم است. این باتری‌ها به دلیل فراوانی طبیعی سدیم و هزینه پایین آن، به‌عنوان جایگزینی اقتصادی برای باتری‌های متداول لیتیوم‌یونی مورد توجه قرار گرفته‌اند. برخلاف گرافیت، کربن سخت از ساختارهای کربنی خمیده و نامنظمی تشکیل شده است که حتی در دماهای بسیار بالا نیز در برابر تبدیل شدن به گرافیت منظم مقاومت می‌کنند.
منشأ این رفتار غیرمعمول چندین دهه ذهن دانشمندان را به خود مشغول کرده است. در دهه ۱۹۵۰، فرانکلین تفاوت میان کربن‌های گرافیت‌شونده و غیرگرافیت‌شونده را مشخص کرد و نشان داد که نوع ماده اولیه نقشی اساسی در تعیین ساختار کربن حاصل دارد. بااین‌حال، مشاهده تجربی یا شبیه‌سازی مستقیم چگونگی شکل‌گیری کربن سخت در مقیاس اتمی همچنان دشوار بوده است.
ردیابی ساختار نامنظم کربن سخت
پژوهش گروه آکسفورد بر پلی‌وینیلیدن کلراید (PVDC) متمرکز بود؛ پلیمری که یکی از مواد اولیه شناخته‌شده برای تولید کربن غیرگرافیت‌شونده به شمار می‌رود.
پژوهشگران برای بررسی تجزیه حرارتی این پلیمر از شبیه‌سازی‌های اتمی مبتنی بر یادگیری ماشین استفاده کردند. این روش دقت محاسبات مکانیک کوانتومی را با توان محاسباتی لازم برای بررسی ساختارهای شیمیایی پیچیده ترکیب می‌کند. در نتیجه، محققان توانستند حرکت تک‌تک اتم‌ها را دنبال کنند و هنگام گرم شدن پلیمر، شکسته شدن و شکل‌گیری پیوندهای شیمیایی را مشاهده کنند. این کار تصویری میکروسکوپی و دقیق از چگونگی شکل‌گیری کربن سخت به دست داد.
نتایج شبیه‌سازی نشان می‌دهد که با جدا شدن اتم‌های هیدروژن و کلر از ماده اولیه PVDC، جایگاه‌های بسیار واکنش‌پذیری روی اتم‌های کربن ایجاد می‌شود. این جایگاه‌ها به‌تدریج پیوندهای جدید کربن‌ـ‌کربن تشکیل می‌دهند. با گذشت زمان، این پیوندها بقایای زنجیره‌های پلیمری را به یکدیگر متصل می‌کنند و شبکه‌ای گسترده به وجود می‌آورند.
نکته مهم این است که این شبکه، برخلاف گرافیت، تنها از حلقه‌های شش‌عضوی کربن تشکیل نشده و حلقه‌های پنج و هفت‌عضوی را نیز در بر می‌گیرد که باعث خمیدگی ساختار می‌شوند. برای درک بهتر این موضوع می‌توان توپ فوتبال کلاسیک را در نظر گرفت: پنج‌ضلعی‌ها به سطحی که عمدتاً از شش‌ضلعی‌ها تشکیل شده است، امکان می‌دهند خم شود و شکل کروی پیدا کند. به همین ترتیب، ساختارهای غیرشش‌ضلعی در کربن سخت، شبکه کربنی را از حالت مسطح خارج می‌کنند و مانع شکل‌گیری لایه‌های منظم و تختی می‌شوند که مشخصه گرافیت است.
این پژوهش را لیتونگ وو هدایت کرد. کار او بر مطالعات مقدماتی دانشجویان پیشین، زیتونگ وو و زکریا المچچی، استوار بود و فولکر درینگر، استاد دپارتمان شیمی دانشگاه آکسفورد، بر آن نظارت داشت. این رویکرد نشان می‌دهد که شبیه‌سازی‌های مبتنی بر یادگیری ماشین می‌توانند مسیرهای واکنش شیمیایی را در مواد پیچیده آشکار کنند؛ مسیرهایی که بررسی آن‌ها با روش‌های متداول مکانیک کوانتومی، به دلیل هزینه محاسباتی بسیار بالا، عملاً دشوار است.
لیتـونگ وو، نویسنده اصلی پژوهش، گفت: «کار روی این پروژه برایم مانند گشودن کتابی بود که هیچ‌کس پیش از این نخوانده بود. در میان آشفتگی اتم‌هایی که در دمای بالا حرکت می‌کنند، الگوهایی روشن و قابل‌درک کم‌کم پدیدار می‌شوند. برایم افتخار بزرگی بود که به کارهای روزالیند فرانکلین، کسی که مدت‌ها تحسینش کرده‌ام، بازگردم. همچنین به این موضوع افتخار می‌کنم که پژوهش ما نشان می‌دهد ترکیب روش‌های محاسباتی مدرن با توان پردازشی امروزی چه امکاناتی فراهم می‌کند.»
درینگر نیز گفت: «می‌خواهم به سخنان لیتونگ اضافه کنم که از دیدن نقش چندین عضو گروه‌مان در امکان‌پذیر شدن این پژوهش بسیار خوشحالم: خود او که اکنون دانشجوی دکتری پژوهشی است و با مهارت این مطالعه را هدایت کرده؛ زیتونگ که پیش‌تر دانشجوی پروژه دوره کارشناسی ارشد شیمی بوده و من نخستین بار در سال اول این دوره به او درس داده بودم؛ و زَک که فارغ‌التحصیل دوره دکتری پژوهشی است و به شکل‌گیری بنیان‌های این کار کمک کرد.»
پیوند دادن شیمی مواد اولیه به عملکرد باتری
این پژوهش افزون بر بهبود درک ما از چگونگی شکل‌گیری کربن سخت، می‌تواند زمینه را برای گام‌های بعدی در شناخت ارتباط میان شیمی مواد اولیه، ساختار نهایی و ویژگی‌های الکتروشیمیایی آندهای باتری فراهم کند. این چشم‌انداز با هدف گسترده‌تر گروه پژوهشی هم‌راستاست: طراحی مواد آمورفِ دارای کارکرد مشخص با کمک شبیه‌سازی‌های اتمی مبتنی بر یادگیری ماشین.
داده‌های پژوهشی نویسندگان نیز به‌صورت آزاد در دسترس عموم قرار گرفته‌اند تا پژوهشگران دیگر بتوانند به‌آسانی از آن‌ها در مطالعات آینده استفاده کنند. این داده‌ها از طریق مخزن پژوهشی گروه در گیت‌هاب قابل دسترسی هستند.
جزئیات انتشار پژوهش
لیتـونگ وو و همکاران، «سازوکارهای اتمی شکل‌گیری کربن سخت از پلی‌وینیلیدن کلراید»، مجله Chemical Science، سال ۲۰۲۶. شناسه DOI: 10.1039/d6sc05974k.
اطلاعات مجله: Chemical Science؛ وب‌سایت مجله.
ارائه‌شده از سوی دانشگاه آکسفورد.