|
“自插层材料的发展为新型功能材料的研究打开了新方向，有望推动自插层材料在能源存储、催化及电子器件等领域的广泛应用。”北京大学教授赵晓续表示。
近日，他和团队打造出一种自插层材料，展现出良好可调控性，其潜在应用主要集中在以下几个领域：
在能源存储和转换方面，自插层材料因其高导电性和优异的离子扩散特性，有望作为锂离子电池和钠离子电池的电极材料。
研究表明，这些材料有望提升电池的能量密度和循环稳定性。然而，尚需进一步的实验验证，以确保其在实际电池应用中的长期稳定性和可靠性。
在催化应用方面，自插层材料在催化反应中展现出优异性能，能被用于氢析出反应和有机污染物的降解。
不过，针对其实际催化效率和稳定性，仍需在工业环境中开展进一步的研究和优化。
在电子和光电子器件应用方面，自插层材料可以作为场效应晶体管的活性层，理论上能实现超低功耗操作。
同时，仍然需要解决接触电阻、界面特性等问题，以确保其性能与传统材料相当。
在自旋电子学方面，可用于自旋阀、自旋传感器和磁性存储器。由于自插层材料可能展现出铁磁性，因此可被用于自旋电子学器件的开发。同时，需要解决控制和稳定自旋态的问题。
据介绍，本次课题来源于一个很偶然的发现，当时赵晓续的目标是想研究温度调控单层 TaS? 体系中不同电荷密度波。
但是那天运气不好样品制备错误——做成了双层 TaS?。于是他想着既然样品已经制备完毕，那就试一下原本计划开展的原位实验。
没想到在双层 TaS? 体系中，原位加热竟然可以直接把 TaS? 转化成自插层 ic-2D Ta1+xS?。
基于这个发现，他和团队不断地重复双层 TaS? 及其他材料在不同加热条件下的原位原子动力学。
后续实验也都很成功，实验做完之后他们找到北京大学陈基教授帮忙在理论方面给予指导。
理论结果也很快验证了本次实验现象的合理性，即通过简单的加热方法就可以催生出新的 ic-2D 自插层材料体系。
赵晓续表示这个实验发现具有很好的指导意义，因为传统自插层材料的制备异常困难，无论是厚度、晶型、晶畴等序参量都很难调控。
而这个简单的实验证明：其实通过简单的一步法退火，就可以将二维材料转化成超薄自插层低维材料。
传统二维材料生长工艺已经非常成熟，可以轻易地得到高质量单晶薄膜。因此可以使用容易得到的高质量前驱体，进行简单的退火相变，从而实现高质量自插层薄膜的制备。
Shengqiang Wu 是第一作者，赵晓续担任通讯作者。
评审专家表示，Ic-2D 代表着一类新的功能性超薄低维材料，能够揭示常规的拓扑相。
在这篇论文中，作者们通过原位扫描透射电子显微镜在原子级别上，将多个过渡金属硫族化合物转变为对应的 ic-2D 结构的过程加以可视化。
其中，观察原生原子在外部能量驱动下以逐个原子的方式插层到范德华间隙中，令人印象十分深刻。
值得注意的是，插层物的浓度和拓扑结构取决于退火条件。审稿人认为如此精确的结构控制为二维系统中的性能调控提供了一种新方法。
尽管自插层材料在多个领域展现出广阔的应用前景，但目前的潜在应用与实际应用之间仍存在距离。
总的来说，这些材料在合成、性能优化、器件集成和长期稳定性等方面都面临挑战。
未来的研究需要集中在克服这些技术障碍，以推动自插层材料从实验室研究向实际应用的转变。
通过不断的实验和技术创新，课题组期待自插层材料能在能源、电子和环境等领域发挥更大的作用。
首先，课题组将针对材料合成与材料结构开展优化。自插层材料（如 TaS?）目前可以通过分子束外延和化学气相沉积方法在高金属化学势下生长。
这一方法能够保证材料的质量和均匀性，后续研究中可以进一步优化生长条件以实现更大面积的高质量自插层材料。
同时，可以继续探索不同的金属和硫化物组合，开发出具有新型物理特性和应用潜力的自插层材料库（如 VxSy 和 InxSey），这将拓展自插层材料的研究范围和应用领域。
其次，课题组将在插层机理研究中，通过填充八面体空位，让金属原子能够自插入到结构中。
具体来说，可以采用原位实验观察金属原子的插层行为，运用密度泛函理论计算深入探讨自插层过程中的动力学和热力学机制，揭示插层金属原子的电子结构及其相互作用。
再次，课题组将研究自旋极化效应和电荷转移对材料磁性的影响。
即通过探索不同插层浓度对自旋态和导电性质的影响，寻找可能的自旋电子学应用。
最后，课题组认为材料的最终出口需要与实际应用相结合。
自插层材料的优异导电性和高比表面积使其在锂离子电池和钠离子电池中表现出良好的性能。后续可探讨其在电池电极中的应用，以提高电池的能量密度和循环稳定性。
赵晓续补充称：“本次研究中提到插层金属可以增强材料的催化活性，这为开发高效的电催化剂提供了基础。”
因此，未来研究可着重于自插层材料在电催化和光催化中的应用。在自旋电子学方面，考虑到自插层材料具有潜在的铁磁性，所以能为自旋电子学器件的开发提供新的材料基础。
基于此，课题组也将探讨自插层材料在自旋阀和自旋传感器中的应用。
积极拥抱 AI，提出基于单张实验图像的深度学习模型
另外，赵晓续的课题组已经将 AI 尤其是将深度学习用于相关研究。
传统的电镜表征数据处理和分析主要依赖于专业研究人员，由于噪声干扰和人为偏差，处理效率和准确性常常受到限制。
而材料中的缺陷识别至关重要，因为它们会显著影响材料的电子、光学、化学、磁性和机械性能。
为了提高缺陷识别的精度，该团队提出了一种基于单张实验图像的深度学习模型，利用 CycleGAN 和 U-Net 网络进行噪声增强和缺陷识别，从而减少高昂的标注成本。相关论文已经发表在 Nano Letters 上。
除此之外，课题组还使用深度学习技术对单原子催化剂进行识别，突破了人眼分辨的极限，能够对单原子催化剂的高度、密度和距离等进行统计分析。
未来，该团队将进一步结合 AI 技术，在图像超分辨率、去噪、晶体结构生成和材料性能预测等领域进行更深入的探索。
参考资料：
1.Wu, S., Li, S., Meng, Y., Qiu, Z., Fu, W., Chen, J., ... & Zhao, X. (2024). In Situ Closing the van der Waals Gap of Two-Dimensional Materials. Journal of the American Chemical Society.
|
鲁公网安备 37010202001033号