Формирование фаз алмаза и/или лонсдейлита из мультиграфена под действием наноиндентора – моделирование методом машинного обучения

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Работа посвящена теоретическому исследованию алмазообразования в многослойном графене под воздействием локального механического напряжения, вызванного индентированием пленки. Для описания данного эффекта был параметризован потенциал машинного обучения, основанный на представлении окружения атомов в виде тензоров моментов инерции. Полученные результаты демонстрируют, что атомная геометрия зарождающегося алмаза определяется как упаковкой графена, так и размером индентора, при этом в сформированной структуре наблюдается соединение кубического и гексагонального алмаза. Исследование также выявило существенно более низкое давление фазового перехода для графена с упаковкой AA′ по сравнению с упаковкой ABC в пленках с числом слоев менее 100.

Об авторах

С. В. Ерохин

Федеральное государственное автономное образовательное учреждение высшего образования “Национальный исследовательский технологический университет “МИСИС”

Москва, Россия

А. А. Ращупкин

Федеральное государственное автономное образовательное учреждение высшего образования “Национальный исследовательский технологический университет “МИСИС”

Москва, Россия

Л. А. Чернозатонский

Институт биохимической физики РАН

Москва, Россия

П. Б. Сорокин

Федеральное государственное автономное образовательное учреждение высшего образования “Национальный исследовательский технологический университет “МИСИС”; Государственный научный центр Российской Федерации “Технологический институт сверхтвердых и новых углеродных материалов”

Email: PBSorokin@misis.ru
Москва, Россия; Москва, Россия

Список литературы

  1. Л. А. Чернозатонский, П. Б. Сорокин, А. Г. Квашнин, Д. Г. Квашнин, Письма в ЖЭТФ 90, 144 (2009).
  2. L. A. Chernozatonskii, V. A. Demin, and D. G. Kvashnin, Journal of Carbon Research C 7, 17 (2021).
  3. P. B. Sorokin and B. I. Yakobson, Nano Lett. 21, 5475 (2021).
  4. F. Lavini, M. Rejhon, and E. Riedo, Nat. Rev. Mater. 7, 10 (2022).
  5. A. G. Kvashnin, L. A. Chernozatonskii, B. I. Yakobson, and P. B. Sorokin, Nano Lett. 14, 676 (2014).
  6. F. Ke, L. Zhang, Y. Chen, K. Yin, C. Wang, Y.K. Tzeng, Y. Lin, H. Dong, Z. Liu, J. S. Tse, W. L. Mao, J. Wu, and B. Chen, Nano Lett. 20, 5916 (2020).
  7. S. V. Erohin, Q. Ruan, P. B. Sorokin, and B. I. Yakobson, Small 16, 2004782 (2020).
  8. P. V. Bakharev, M. Huang, M. Saxena, S. W. Lee, S. H. Joo, S.O. Park, J. Dong, D. C. Camacho-Mojica, S. Jin, Y. Kwon, M. Biswal, F. Ding, S. K. Kwak, Z. Lee, and R. S. Ruoff, Nat.Nanotechnol. 15, 59 (2019).
  9. J. Son, H. Ryu, J. Kwon, S. Huang, J. Yu, J. Xu, K. Watanabe, T. Taniguchi, E. Ji, S. Lee, Y. Shin, J. H. Kim, K. Kim, A. M. Zande, and G.-H. Lee, Nano Lett. 21, 891 (2021).
  10. X. Chen, M. Dubois, S. Radescu, A. Rawal, and Ch. Zhao, Carbon 175, 124 (2021).
  11. F. Piazza, K. Cruz, M. Monthioux, P. Puech, and I. Gerber, Carbon 169, 129 (2020).
  12. F. Piazza, M. Monthioux, P. Puech, and I. C. Gerber, Carbon 156, 234 (2020).
  13. F. Piazza, K. Gough, M. Monthioux, P. Puech, I. Gerber, R. Wiens, G. Paredes, and C. Ozoria, Carbon 145, 10 (2019).
  14. L. F. Tomilin, S. V. Erohin, N. A. Nebogatikova, I. V. Antonova, A. K. Gutakovskii, V. A. Volodin, E. A. Korneeva, and P. B. Sorokin, Carbon 220, 118832 (2024).
  15. N. A. Nebogatikova, I. V. Antonova, A.K. Gutakovskii, D. V. Smovzh, V. A. Volodin, and P. B. Sorokin, Materials 16, 4 (2023).
  16. Y. Gao, T. Cao, F. Cellini, C. Berger, W. A. de Heer, E. Tosatti, E. Riedo, and A. Bongiorno, Nat. Nanotechnol. 13, 133 (2018).
  17. F. Cellini, F. Lavini, T. Cao, W. de Heer, C. Berger, A. Bongiorno, and E. Riedo, FlatChem 10, 8 (2018).
  18. A. G. Kvashnin and P. B. Sorokin, J. Phys. Chem. Lett. 5, 541 (2014).
  19. Y. Mishin, Acta Materialia 214, 116980 (2021).
  20. E. V. Podryabinkin and A. V. Shapeev, Comput. Mater. Sci. 140, 171 (2017).
  21. A. V. Shapeev, Multiscale Model. Simul. 14, 1153 (2016).
  22. I. S. Novikov, K. Gubaev, E. V. Podryabinkin, and A. V. Shapeev, Mach. Learn.: Sci. Technol. 2, 025002 (2020).
  23. Y. Zuo, C. Chen, X. Li, Z. Deng, Y. Chen, J. Behler, G. Csanyi, A. V. Shapeev, A. P. Thompson, M. A. Wood, and S. P. Ong, J. Phys. Chem. A 124, 731 (2020).
  24. A. P. Thompson, H. M. Aktulga, R. Berger, D. S. Bolintineanu, W. M. Brown, P. S. Crozier, P. J. Veld, A. Kohlmeyer, S. G. Moore, T. D. Nguyen, R. Shan, M. J. Stevens, J. Tranchida, C. Trott, and S. J. Plimpton, Comput. Phys. Commun. 271, 108171 (2022).
  25. P. Hohenberg and W. Kohn, Phys. Rev 136, B864 (1964).
  26. W. Kohn and L. J. Sham, Phys. Rev. 140, A1133 (1965).
  27. J. P. Perdew, K. Burke, and M. Ernzerhof, Phys. Rev. Lett. 77, 3865 (1996).
  28. G. Kresse and J. Hafner, Phys. Rev. B 47, 558 (1993).
  29. G. Kresse and J. Hafner, Phys. Rev. B 49, 14251 (1994).
  30. G. Kresse and J. Furthmuller, Phys. Rev. B 54, 11169 (1996).
  31. S. Grimme, J. Comput. Chem. 27, 1787 (2006).
  32. H. J. Monkhorst and J. D. Pack, Phys. Rev. B 13, 5188 (1976).
  33. A. Stukowski, Modelling Simul. Mater. Sci. Eng. 18, 015012 (2009).
  34. K. Momma and F. Izumi, J. Appl. Cryst. 44, 1272 (2011).
  35. M. Ceriotti, G. A. Tribello, and M. Parrinello, Proceedings of the National Academy of Sciences 108, 13023 (2011).
  36. S. Zhu, X. Yan, J. Liu, A. R. Oganov, and Q. Zhu, Matter 3, 864 (2020).
  37. В. Н. Решетов, А. С. Усеинов, Г. Х. Султанова, И. А. Кудряшов, К. Будич, Химия и химическая технология 64, 34 (2021).
  38. Y. E. Mendili, B. Orberger, D. Chateigner, J.-F. Bardeau, S. Gascoin, and S. Petit, Chemical Physics 559, 111541 (2022).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2024

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».