Το γραφένιο είναι ένα δισδιάστατο (2D) εξαγωνικό δίκτυο sp2 υβριδισμένα άτομα άνθρακα που έχει τραβήξει μεγάλη προσοχή στην επιστημονική κοινότητα λόγω των μοναδικών μηχανικών, θερμικών και ηλεκτρικών ιδιοτήτων του [1]. Παρουσιάζει γραμμική σχέση διασποράς στη δομή της ηλεκτρονικής ενεργειακής ζώνης και την ενέργεια μηδενικού κενού ζώνης που περιορίζει την εφαρμογή του ως ημιαγωγού και τρανζίστορ [2]. Επομένως, διάφορες προσεγγίσεις, όπως η εισαγωγή ακαθαρσιών όπως ξένα άτομα [3]τοπολογικές διαταραχές ή εφαρμογή καταπόνησης [4] έχουν αναπτυχθεί για την προσαρμογή των ηλεκτρονικών και οπτικών χαρακτηριστικών του γραφενίου [5]. Όσον αφορά το ντόπινγκ, το υποκατάστατο ντόπινγκ αζώτου και βορίου στο γραφένιο έχει βρεθεί ότι ανοίγει ένα χάσμα ζώνης γύρω από το επίπεδο Fermi που παρέχει ημιαγώγιμα χαρακτηριστικά [6]. Επιπλέον, ο συνδυασμός ντόπινγκ βορίου και αζώτου στο γραφένιο έχει αποδειχθεί ότι ενισχύει τις ηλεκτροκαταλυτικές του ιδιότητες, καθιστώντας το ένα πολλά υποσχόμενο υλικό για συσκευές αποθήκευσης και μετατροπής ενέργειας [7]. Εκτός από τον συντονισμό των ηλεκτρικών και οπτικών ιδιοτήτων, τα μηχανικά και θερμικά χαρακτηριστικά του γραφενίου θα ποικίλλουν μέσω του στοιχειακού ντόπινγκ [8], [9], [10]. Από αυτή την άποψη, η κατανόηση των μηχανικών και θερμικών ιδιοτήτων του γραφενίου με πρόσμιξη βορίου και αζώτου είναι ζωτικής σημασίας για τον προσδιορισμό της ικανότητάς του να αντέχει τις εξωτερικές δυνάμεις και την πίεση καθώς και την αποτελεσματικότητά του στην αγωγή και τη διάχυση της θερμότητας. [11], [12], [13]. Αυτή η κατανόηση μπορεί στη συνέχεια να ανοίξει το δρόμο για την επιτυχή προσαρμογή και εφαρμογή του σε διάφορους κλάδους [14].
Η προσομοίωση μοριακής δυναμικής (MD) είναι ένα ισχυρό εργαλείο για τη μελέτη των μηχανικών και θερμικών ιδιοτήτων των 2D νανοϋλικών, καθώς επιτρέπει στους ερευνητές να διερευνήσουν τη συμπεριφορά μεμονωμένων ατόμων και μορίων σε ατομική κλίμακα [15], [16]. Ένα από τα κύρια πλεονεκτήματα των προσομοιώσεων MD είναι η ικανότητά τους να καταγράφουν με ακρίβεια τις πολύπλοκες αλληλεπιδράσεις μεταξύ των ατόμων, οι οποίες είναι ζωτικής σημασίας για τον προσδιορισμό των μηχανικών και θερμικών ιδιοτήτων των υλικών [17], [18]. Αυτό είναι ιδιαίτερα σημαντικό για τα δισδιάστατα νανοϋλικά, όπως οι μικροδομές υπερδικτύων, τα οποία μπορούν να επιδείξουν ασυνήθιστες και μοναδικές ιδιότητες λόγω της λεπτής και εύκαμπτης φύσης τους [19], [20]. Επιπλέον, οι προσομοιώσεις MD είναι υπολογιστικά αποδοτικές και σχετικά φθηνές, καθιστώντας δυνατή τη μελέτη μεγάλων συστημάτων ή την εκτέλεση εκτεταμένων σαρώσεων παραμέτρων [21].
Έχουν πραγματοποιηθεί αρκετές προσομοιώσεις MD για τη διερεύνηση των θερμομηχανικών ιδιοτήτων του γραφενίου με πρόσμιξη βορίου και αζώτου. Για παράδειγμα, οι Mortazavi et al. [8] επαλήθευσε τα αποτελέσματα της υποκατάστασης ατόμων βορίου στη θερμική αγωγιμότητα και τις μηχανικές ιδιότητες του γραφενίου. Παρατηρήθηκε ότι μια αύξηση της συγκέντρωσης ντόπινγκ είχε ως αποτέλεσμα μια ελαφρά μείωση του συντελεστή ελαστικότητας και της αντοχής σε εφελκυσμό του γραφενίου. Ωστόσο, η θερμική αγωγιμότητα επηρεάστηκε σημαντικά από το ντόπινγκ του βορίου με ακόμη και χαμηλές συγκεντρώσεις ατόμων βορίου, όπως 0,75 %, προκαλώντας μεγαλύτερη από 60 % μείωση της θερμικής αγωγιμότητας. Σε ένα άλλο έργο με επικεφαλής τον ίδιο συγγραφέα, οι επιπτώσεις του ντόπινγκ αζώτου στις μηχανικές ιδιότητες [22]και θερμική αγωγιμότητα [23] του γραφενίου έχει μελετηθεί και επαληθευτεί περαιτέρω. Αποδείχθηκε επίσης ότι η τιμή συντελεστή μέτρησης του Young στο γραφένιο με πρόσμιξη αζώτου ήταν πρακτικά ανεξάρτητη από τη συγκέντρωση ατόμων αζώτου, για τιμές έως και 6%. Επιπλέον, το αζωτούχο γραφένιο παρουσίασε την ίδια συμπεριφορά αστοχίας. Ωστόσο, όσον αφορά τη θερμική αγωγιμότητα, μια συγκέντρωση μόνο 1% ντόπινγκ αζώτου στο γραφένιο προκάλεσε μείωση περισσότερο από 50% στη θερμική αγωγιμότητα. Παρόμοια αποτελέσματα αναφέρθηκαν στο Goharshadi et al. [24] όπου μελετήθηκαν επίσης οι επιδράσεις της συγκέντρωσης ντόπινγκ αζώτου στη θερμική αγωγιμότητα και τις ιδιότητες μεταφοράς θερμότητας του γραφενίου. Συγκεκριμένα, έδειξαν ότι η αντικατάσταση 1,0 % ατόμων άνθρακα με άτομα αζώτου προκαλεί μείωση της θερμικής αγωγιμότητας κατά 53,7 % στους 300 Κ. Αυτό αποδόθηκε στην αύξηση της συμβολής των οπτικών φωνονίων υψηλής συχνότητας όταν αυξήθηκε η συγκέντρωση ντόπινγκ αζώτου. Τέλος, ο Γιανγκ et al. [25] εισήγαγε τις τρίγωνες νανοκορδέλες γραφενίου με πρόσμιξη αζώτου ως πιθανούς υποψήφιους για τη δημιουργία θερμικών ανορθωτών.
Παρά τα πλεονεκτήματα που παρέχουν οι προσομοιώσεις MD στην πρόβλεψη των ιδιοτήτων των υλικών, ο σχεδιασμός δομών με επιθυμητές ιδιότητες για στοχευμένες εφαρμογές παραμένει μια πρόκληση. [26]. Για την αντιμετώπιση αυτής της πρόκλησης, η σύζευξη προσομοιώσεων MD με τη Μηχανική Μάθηση (ML) έχει αναδειχθεί ως μια εξαιρετικά αποτελεσματική στρατηγική [27]. Αυτό όχι μόνο διευκολύνει την ακριβή πρόβλεψη των ιδιοτήτων των νανοϋλικών, αλλά επιτρέπει επίσης την κατασκευή δομών μηχανικής με προδιαγεγραμμένες ιδιότητες [28], [29]. Από αυτή την άποψη, έχουν χρησιμοποιηθεί αρκετοί αλγόριθμοι και τεχνικές ML για την εκπαίδευση μοντέλων που αποτυπώνουν τη σχέση μεταξύ των σύγχρονων δομών υλικών και των μηχανικών ιδιοτήτων τους, με βάση δεδομένα προσομοίωσης MD. Για παράδειγμα, ο Liu et al. [30] χρησιμοποίησε αποτελέσματα προσομοίωσης MD για να εκπαιδεύσει και να συγκρίνει την απόδοση διαφόρων προσεγγίσεων ML, π.χ. τεχνητά νευρωνικά δίκτυα (ANN), μηχανές υποστήριξης διανυσμάτων (SVM) και AdaBoost, μια πολύ γνωστή προσέγγιση ενισχυμένου συνόλου, στην πρόβλεψη των μηχανικών ιδιοτήτων του γραφενίου/αλουμινίου νανοσύνθετα. Wang et al. [31] ερεύνησε τις επιδράσεις διάφορων παραγόντων, όπως η χειρομορφία, το μέγεθος του συστήματος, η θερμοκρασία, ο ρυθμός παραμόρφωσης και το τυχαίο ελάττωμα κενής θέσης, στις μηχανικές ιδιότητες του 2D δισουλφιδίου βολφραμίου χρησιμοποιώντας προσομοιώσεις MD και τεχνικές ML. Για τη μοντελοποίηση των συσχετίσεων μεταξύ διαφορετικών παραγόντων και εξόδων-στόχων, εφαρμόστηκε ένας αλγόριθμος ML εποπτευόμενου τυχαίου δάσους (RF). Έδειξαν ότι τα μέσα τετραγωνικά σφάλματα των προβλέψεων ML ήταν τάξεις μεγέθους μικρότερες από τις πραγματικές τιμές, επιβεβαιώνοντας τα καλά αποτελέσματα εκπαίδευσης του μοντέλου RF. Ζανγκ et al. [32] χρησιμοποίησε τις μηχανικές ιδιότητες του γραφενίου που ελήφθησαν από προσομοιώσεις MD για τη δημιουργία ενός συνόλου δεδομένων εκπαίδευσης για διάφορα μοντέλα ML. Αποδείχθηκε ότι τα SVM, τα ANN, οι K-Nearest Neighbors (KNN) και το Decision Tree (DT) απέδωσαν λογικά και κατέλαβαν σε ικανοποιητικό βαθμό τη σχέση μεταξύ χαρακτηριστικών και στόχων που χρησιμοποιήθηκαν με επιτυχία στις προβλέψεις ιδιοτήτων.
Όσον αφορά το σχεδιασμό και την πρόβλεψη των θερμομηχανικών χαρακτηριστικών του ντοπαρισμένου γραφενίου, η εναρμόνιση του ντόπινγκ και η θέση των προσβεβλημένων ατόμων στη δομή είναι προφανώς οι πιο σημαντικοί παράγοντες. Ως εκ τούτου, πρέπει να μπορεί κανείς να προβλέψει με ακρίβεια τις προκύπτουσες θερμομηχανικές ιδιότητες όταν σχεδιάζει μια νανοσυσκευή με προδιαγεγραμμένα χαρακτηριστικά μηχανικής αντοχής και θερμικής αγωγιμότητας. Ωστόσο, η επί του παρόντος περιορισμένη έρευνα σε αυτόν τον τομέα δεν επιτρέπει την πλήρη κατανόηση της ακριβούς σχέσης μεταξύ των διατάξεων γραφενίου με συν-ντοπαρισμένη με άζωτο/βόριο και τις προκύπτουσες θερμομηχανικές ιδιότητές τους. Ως εκ τούτου, σε αυτήν την εργασία, μια σειρά μοντέλων ML, που εκπαιδεύονται μέσω των αποτελεσμάτων προσομοίωσης MD, συγκρίνονται στην πρόβλεψη τιμών θερμικής αγωγιμότητας μαζί με τις μηχανικές ιδιότητες των νανοφύλλων γραφενίου που έχουν προστεθεί σε άζωτο/βόριο. Τέλος, οι πιο αποτελεσματικές προσεγγίσεις καταδεικνύονται στο πρόβλημα της μηχανικής νανοφύλλων με προδιαγεγραμμένες ιδιότητες.