Hierarchy in Binary Liquid Phase Exfoliation of Graphitic Carbon Nitride: Dissecting the Dominance of One Solvent
Notice bibliographique
Résumé
This study targets an important question in the synthesis of graphitic carbon nitride (g-C 3 N 4 ) nanosheets via liquid-phase exfoliation (LPE): how does a binary solvent mixture perform relative to its components? A machine learning model based on Extra Trees Regressor, when applied to 171 pure solvents and 14,535 binary solvents resulting from their arbitrary combination, reveals an interesting phenomenon where the LPE performance of the binary mixture can be dominated by one of its components. Quantitatively the free energy of exfoliation (ΔG exf ), defined as the free energy to separate a unit area of two stacked nanosheets, can have close values for the binary solvent and one of its components that has either a large ΔG exf (low LPE efficacy) or a small ΔG exf (high LPE efficacy). Such nonstandard performance is validated by umbrella sampling molecular dynamics (MD) simulations, and examined in detail for two representative binary solvents: one where N -Methyl-2-pyrrolidone (NMP) dominates in NMP:Cyclohexane mixture showing good LPE performance, and the other where methanol (MET) dominates in MET:Dichloromethane mixture showing poor LPE performance. Results from this study challenge existing, largely surface tension based, solvent selection criteria for LPE, and emphasize the importance of molecular details in the solvation layers around the nanosheets. Our numerical framework, integrating MD with machine learning, can be used to further explore strategies in the synthesis of 2D materials, such as optimizing solvent mixtures and introducing functional groups to g-C 3 N 4 .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».