Раскрывая скрытое третье измерение точечных дефектов в двумерных MXenes

Почему крошечные изъяны в плоских материалах имеют значение

От более быстрых электронных устройств до очистки воды и улучшенных батарей — многие будущие технологии будут опираться на ультратонкие материалы толщиной всего в несколько атомов. В этих листоподобных веществах даже один отсутствующий атом — точечный дефект — может кардинально изменить поведение материала. Однако в реальных устройствах такие пластины часто уложены в несколько слоёв, что сильно затрудняет определение трёхмерного расположения мелких изъянов. В этой работе показано, как учёные наконец-то могут выявить скрытый 3D-ландшафт дефектов в перспективной семействе материалов под названием MXenes, что открывает путь к целенаправленному «конструированию» дефектов для настройки характеристик.

Заглянуть под поверхность листов MXene

MXenes — это атомарно тонкие слои металла с углеродом или азотом, привлекающие большой интерес в области накопления энергии, электроники, очистки воды и биомедицины. Их обычно получают химическим выщелачиванием определённых элементов из объёмного кристалла — жёстким процессом, который также выбивает атомы металла и оставляет пустые сайты. Исследователям известно, что такие вакансии сильно влияют на свойства, например проводимость и механическую прочность, но существующие микроскопы в основном дают плоские, сверху, изображения. Это значит, что учёные в значительной степени не видели, как дефекты распределены по нескольким атомным слоям внутри одной пластинки, что мешало связать условия обработки с реальной работой материала.

Позволив искусственному интеллекту читать послойные атомные изображения

Чтобы преодолеть эту проблему, авторы разработали рабочий процесс с руководством искусственного интеллекта, который работает в связке с передовой электронной микроскопией. Они использовали сканирующий просвечивающий электронный микроскоп для съёмки отдельных пластинок титанового MXene (Ti₃C₂Tₓ) в тщательно контролируемых условиях с минимальным повреждением. Затем, вместо ручной пометки каждого атома и каждой вакансии — медленной и подверженной ошибкам работы — они обучили две нейронные сети: одну для определения регулярной атомной решётки и другую для обнаружения вакансий. Такой подход автоматически идентифицировал более 150 000 атомов и около 3 000 вакансий в трёх металлических слоях множества MXene-пластинок, обеспечив статистически значимую картину распределения дефектов.

Восстановление скрытого третьего измерения

Имея точные координаты каждого атома и вакансии, команда реконструировала распределение дефектов по толщине листов MXene. Используя известную кристаллическую геометрию и угол обзора в микроскопе, они разделили атомы на два наружных слоя и один средний слой. Обнаружилось, что в наружных слоях последовательно больше вакансий, чем в среднем слое, что согласуется с предыдущими предсказаниями о том, что атомы с поверхности легче удалять, чем изнутри. Сравнивая образцы, травлённые кислотой различной силы, они показали, что более жёсткие условия не только увеличивают общее число пропавших атомов титана, но и повышают количество дефектов в подповерхностных слоях.

От одиночных вакансий до крошечных туннелей

Реальная сила 3D-восстановления проявилась в возможности классифицировать, как вакансии группируются. Исследователи выделили четыре основных типа: действительно изолированные отсутствующие атомы; поверхностные кластеры, ограниченные одним слоем; межслойные кластеры, связывающие вакансии в соседних слоях; и нанопоры, где вертикальная цепочка пропавших атомов образует крошечный туннель через все три слоя. Во всех образцах почти половина дефектов оказалась частью кластеров, а не изолированными. Более сильное травление создавало больше таких сложных многоуровневых дефектов и нанопор, хотя типичный размер каждого кластера оставался примерно тем же. Это указывает на то, что условия обработки главным образом меняют частоту появления таких кластеров, а не скорость их роста.

Моделирование, объясняющее, почему образуются кластеры

Чтобы понять, почему вакансии предпочитают объединяться, команда сопоставила свои экспериментальные результаты с крупномасштабными компьютерными моделями, имитирующими решётку MXene при разных скрытых условиях, таких как число отсутствующих атомов углерода и покрытие поверхностных групп, прикреплённых к наружным металлическим слоям. Эти симуляции показали, что при большем числе углеродных вакансий вакансии титана склонны собираться поблизости, что уменьшает число оборванных связей и снижает общую энергию. Увеличение плотности поверхностных групп, напротив, делает менее выгодным накопление вакансий в наружных слоях и сдвигает часть кластеров внутрь. При сопоставлении смоделированных паттернов дефектов с измерениями наилучшее согласие было получено в сценариях с существенными углеродными вакансиями и умеренным покрытием поверхности, что подчёркивает, как эти «невидимые» ингредиенты управляют 3D-ландшафтом дефектов.

Проектирование лучших материалов путём настройки их изъянов

В сумме эта работа демонстрирует новый способ визуализировать и количественно оценивать отдельные атомные дефекты по всему объёму многослойных 2D‑материалов, а не только на поверхности. Для MXenes метод показывает, как сила кислоты и связанная с ней химия контролируют, остаются ли пропавшие атомы изолированными или собираются в кластеры и нанопоры, которые могут существенно влиять на электрические, механические и химические свойства. Более широко, сочетание микроскопии с руководством ИИ и моделированием может быть адаптировано к многим другим слоистым материалам. Превратив скрытые паттерны дефектов в измеряемые, классифицируемые и моделируемые величины, учёные смогут начинать проектировать и контролировать «топологии дефектов» целенаправленно — подстраивая крошечные несовершенства для создания лучших батарей, катализаторов, сенсоров и многого другого.

Цитирование: Guinan, G., Smeaton, M.A., Wyatt, B.C. et al. Revealing the hidden third dimension of point defects in two-dimensional MXenes. Nat Commun 17, 3473 (2026). https://doi.org/10.1038/s41467-026-71670-y

Ключевые слова: MXenes, точечные дефекты, электронная микроскопия, машинное обучение, 2D материалы