[发明专利]高通量筛选与机器学习结合可控制备半导体性单壁碳纳米管的方法

权利要求书

1.一种高通量筛选与机器学习结合可控制备半导体性单壁碳纳米管的方法，其特征在于：采用组合掩模板辅助离子束镀膜，在数字标记的硅片上高通量沉积离散型催化剂阵列；采用拉曼光谱仪自动表征面上离散分布的单壁碳纳米管并获得呼吸模信息；通过数据挖掘工具，从高通量的拉曼光谱数据中自动提取呼吸模的位置和数量，用于计算和判断每个催化剂阵列上单壁碳纳米管的导电属性，结合多波长拉曼呼吸模数据计算其金属性或半导体性单壁碳纳米管的含量；收集高通量数据训练机器学习模型，对影响碳纳米管导电属性的生长参数进行重要性排序，为可控制备高纯度的半导体性单壁碳纳米管提供指导；

数据挖掘工具，根据拉曼光谱的激光波长不同而做出改变，不受拉曼光谱数据量和激光波长的限制，适用于自动挖掘488 nm、514 nm、532 nm、633 nm、785 nm多个波长拉曼呼吸模的统计数据；

此数据挖掘工具包含：①输入窗口，②数据处理窗口和③输出窗口；将拉曼光谱数据导入到①输入窗口中，数据在②数据处理窗口中排除尖锐的宇宙射线峰和低矮的噪音峰，自动搜索并标定出呼吸模的位置和数量，获得每个催化剂阵列上单壁碳纳米管的导电属性，在③输出窗口中输出每个生长参数组合对应的半导体性或金属性单壁碳纳米管含量。

2.按照权利要求1所述的高通量筛选与机器学习结合可控制备半导体性单壁碳纳米管的方法，其特征在于，采用组合掩模板辅助离子束镀膜，在数字标记的硅片上沉积≤256种离散型催化剂阵列，催化剂阵列的成分为铁、钴、镍、钼、钨、铂、金、铜、铑、硅、氧化铝、氧化硅、氧化铈金属、非金属及其氧化物之一或两种以上，催化剂阵列厚度精度为0.025 nm，厚度在0~30 nm范围内可调，在硅片上同时沉积一元、二元、三元和四元催化剂阵列，获得名义厚度和成分催化剂的高通量数据。

3.按照权利要求1所述的高通量筛选与机器学习结合可控制备半导体性单壁碳纳米管的方法，其特征在于，利用化学气相沉积炉进行单壁碳纳米管的优化生长，高通量的工艺参数包括生长温度、还原时间、刻蚀气氛、碳源浓度，其中生长温度范围：600~1000 ℃，氢气还原时间为20分钟以内，碳源为甲烷、乙烯、一氧化碳或氩气载乙醇之一，碳源浓度为10~100毫升/分钟。

4.按照权利要求1所述的高通量筛选与机器学习结合可控制备半导体性单壁碳纳米管的方法，其特征在于，采用拉曼光谱仪连续表征整个硅片上催化剂阵列生长单壁碳纳米管的呼吸模并获得高通量数据，不受激光波长限制，判断单壁碳纳米管半导体性的依据为拉曼光谱呼吸模的位置和数量。

5.按照权利要求1所述的高通量筛选与机器学习结合可控制备半导体性单壁碳纳米管的方法，其特征在于，用于机器学习的高通量数据为生长参数组合及其对应的半导体性单壁碳纳米管的含量，收集的高通量数据为64n组；其中，n为高通量实验的次数，n≥1，64为每次高通量实验获得的数据量。

6.按照权利要求1所述的高通量筛选与机器学习结合可控制备半导体性单壁碳纳米管的方法，其特征在于，高通量数据训练机器学习模型使用的机器学习算法为监督学习回归算法，包括人工神经网络、线性回归、非线性回归、支持向量机或随机森林算法；算法的输入变量为生长参数组合，输出变量为半导体性单壁碳纳米管的含量；通过高通量数据训练和比较不同的机器学习模型，获得准确率最高的机器学习算法，用于生长参数及其结果的预测和生长参数重要性排序。