DOI: https://doi.org/10.3389/fchem.2026.1750413
PMID: https://pubmed.ncbi.nlm.nih.gov/41909523
تاريخ النشر: 2026-03-12
المؤلف: K. Jyothish وآخرون
الموضوع الرئيسي: نظرية الرسوم البيانية وتطبيقاتها
نظرة عامة
يتناول قسم ورقة البحث أهمية التخليق من القاع إلى القمة لشريط الجرافين النانوي، مع التركيز على خصائصه الإلكترونية وسلوكياته الكمومية التي تعتبر حاسمة للتقدم في تكنولوجيا النانو. يركز المؤلفون على العلاقة بين الطوبولوجيا الهيكلية والخصائص الوظيفية، مع تسليط الضوء على أهمية موصوفات الجزيئات المعتمدة على التكافؤ في هذا السياق. من خلال استخدام تقنيات التعلم الآلي، وبشكل خاص الانحدار اللوجستي، يقيم البحث القوة التنبؤية لهذه الموصوفات من خلال منحنيات خصائص التشغيل المستقبلية، التي توضح الميزات الطوبولوجية لشريط الجرافين النانوي.
تشير النتائج إلى أن الموصوفات الجزيئية المحسوبة تعمل كقياسات كمية للخصائص الهيكلية الأساسية التي تؤثر على خصائص المواد لشريط الجرافين النانوي. لا يساعد هذا الإطار التنبؤي فقط في تصميم شريط الجرافين النانوي بوظائف مصممة خصيصًا، بل يعزز أيضًا الفهم لعلاقات الهيكل والخصائص ضمن هذه الفئة من المواد. يظهر دمج الموصوفات الجزيئية مع منهجيات التعلم الآلي أنه يمكن أن يسرع من اكتشاف وتحسين المواد النانوية المتقدمة.
مقدمة
تناقش مقدمة الورقة أهمية الجرافين، وهو مادة ثنائية الأبعاد تتكون من ذرات الكربون sp² مرتبة في شبكة على شكل خلية نحل، مع تسليط الضوء على خصائصه الميكانيكية والحرارية والكهربائية التي تجعله مرشحًا واعدًا لمجموعة متنوعة من التطبيقات، لا سيما في تكنولوجيا أشباه الموصلات. لقد حظيت عملية تحويل الجرافين إلى شبه موصل، التي تسهلها وجود فجوة نطاق في شرائط الجرافين النانوية (GNRs)، باهتمام كبير. تركز الورقة على ثلاثة هياكل محددة من GNR: p-ANR، Zig-zag p-ANR، و4-CNR، التي تظهر خصائص إلكترونية وبصرية فريدة تتأثر بتكويناتها الحافة والهندسة.
يستخدم المؤلفون تقنيات التعلم الآلي لتحليل مؤشرات الطوبولوجيا المعتمدة على الدرجة لهذه GNRs، والتي تعمل كقياسات عددية للترابط الجزيئي والهيكل. هذه المؤشرات، بما في ذلك مؤشرات من نوع زغرب وغيرها، ضرورية لفهم السلوك الإلكتروني لـ GNRs، لا سيما فيما يتعلق بتوزيع الإلكترونات π وتكوين فجوة النطاق. يهدف البحث إلى إنشاء مؤشر شبه موصل مركب (CSI) يربط الميزات الطوبولوجية بالخصائص شبه الموصلة، مما يوفر إطارًا منهجيًا لتوقع أداء المواد المعتمدة على الجرافين في التطبيقات الإلكترونية. يتم وضع دمج نظرية الرسم الكيميائي مع التعلم الآلي كنهج جديد لتعزيز فهم علاقات الهيكل والخصائص في الهياكل النانوية للجرافين.
طرق
في هذا القسم، يناقش المؤلفون تطبيق طرق التعلم الآلي، وبشكل خاص الانحدار اللوجستي، على الدراسة الطوبولوجية لشريط الجرافين النانوي. بينما يسمح الانحدار اللوجستي بتفسير شفاف لمساهمات الموصوفات، فإنه يواجه تحديات مثل التعدد الخطي بين المؤشرات المعتمدة على الدرجة، والتي يمكن أن تشوه أحجام المعاملات بسبب تداخل المعلومات الهيكلية. على الرغم من هذه القيود، تظهر التحليلات فعالية إطار مؤشر شبه الموصل المركب (CSI)، كما يتضح من الفصل الاحتمالي القوي في تحليلات ROC وتوزيع الاحتمالات. يعمل هذا النهج كاستراتيجية فحص موجهة بالطوبولوجيا، مما يمكّن من تحديد الأنماط الهيكلية المرتبطة بالسلوك شبه الموصلة قبل إجراء حسابات هيكلية إلكترونية مفصلة.
تشير النتائج إلى أن المؤشرات المعتمدة على الدرجة، وخاصة مؤشرات من نوع زغرب، تؤثر بشكل إيجابي على تصنيف طوبولوجيا شرائط النانو شبه الموصلة، بينما تظهر الموصوفات الهندسية التوافقية تأثيرات أضعف أو سلبية، مما يعني أن زيادة التباين في الترابط المحلي قد تقلل من الإمكانات شبه الموصلة. يقترح المؤلفون أن هذا الإطار لا يساعد فقط في الاختيار العقلاني لهياكل شرائط النانو لمزيد من التقييم، بل له أيضًا آثار أوسع على أبحاث أجهزة أشباه الموصلات. يمكن أن تعزز الأعمال المستقبلية القوة التنبؤية من خلال استكشاف متانة هذه المؤشرات عبر مجموعات بيانات متنوعة ودمجها مع تقنيات التعلم الآلي المتقدمة، مما يوسع من قابليتها للتطبيق في مجالات وهياكل رسومية أخرى.
نتائج
يقدم قسم النتائج نتائج كمية حول الرسوم الجزيئية لثلاث هياكل: p-ANR، zigzag p-ANR، و4-CNR. بالنسبة لهيكل p-ANR، الممثل بالرسم $G_1$، فإن العدد الإجمالي للرؤوس والحواف هو تقريبًا $|V| \sim 78n$ و$|E| \sim 109n – 5$، مع حسابات محددة لرؤوس الدرجات 2 و3 المعطاة بـ $|V_2| \sim 16n + 10$ و$|V_3| \sim 62n – 10$. يحدد النظرية 3.1 مؤشرات طوبولوجية معتمدة على الدرجة، بما في ذلك $BM(G_1) \sim 1515n – 147$ و$TM(G_1) \sim 2695n – 287$، من بين أمور أخرى.
بالنسبة لهيكل zigzag p-ANR، الممثل بـ $G_2$، فإن العدد الإجمالي للرؤوس والحواف هو $|V| \sim 72n + 6$ و$|E| \sim 98n + 6$، مع حسابات محددة للدرجات $|V_2| \sim 20n + 6$ و$|V_3| \sim 52n$. توفر النظرية 3.2 مؤشرات مماثلة، مثل $BM(G_2) \sim 1322n + 46$ و$TM(G_2) \sim 2338n + 70$. أخيرًا، بالنسبة لهيكل 4-CNR الممثل بـ $G_3$، فإن الأعداد الإجمالية هي $|V| \sim 32n + 24$ و$|E| \sim 43n + 28$، مع حسابات للرؤوس للدرجات 1 و2 و3 المحددة بـ $|V_1| \sim 2n + 2$، $|V_2| \sim 6n + 12$، و$|V_3| \sim 24n + 10$. توضح النظرية 3.3 مؤشرات مثل $BM(G_3) \sim 581n + 313$ و$TM(G_3) \sim 1037n + 541$. تساهم هذه النتائج في فهم أعمق للخصائص الهيكلية لهذه الرسوم الجزيئية.
نقاش
في هذا القسم، يركز النقاش على تحليل الموصوفات الطوبولوجية وتأثيرها على سلوك شبه الموصل لشرائط الجرافين النانوية (GNRs). تكشف الحسابات العددية أن المؤشرات الطوبولوجية، وخاصة مؤشر TMH، تظهر قيمًا متزايدة مع أبعاد هياكل الجرافين، مما يشير إلى وجود علاقة بين الأبعاد والخصائص الإلكترونية. يحدد تحليل الانحدار اللوجستي مؤشرات رئيسية معتمدة على الرسم، مثل مؤشرات راندك ومؤشرات الهندسة-الحسابية، كمؤشرات مهمة للسلوك شبه الموصلة، حيث يظهر مؤشر راندك ارتباطًا إيجابيًا قويًا بسبب قدرته على التقاط توزيع الإلكترونات π بشكل فعال. على النقيض من ذلك، تظهر مؤشرات مثل مؤشرات سومبور ومؤشرات الترابط الإجمالي مساهمات سلبية، مما يشير إلى أن زيادة تباين الدرجة المحلية قد تؤدي إلى خصائص معدنية.
بالإضافة إلى ذلك، يبرز تحليل توزيع الاحتمالات فعالية مؤشر شبه الموصل المركب (CSI) في التمييز بين GNRs شبه الموصلة والمعدنية، مع فواصل واضحة في الاحتمالات المتوقعة. يشير هذا إلى أن CSI يجسد معلومات هيكلية ذات مغزى بدلاً من أنماط إحصائية عشوائية، مما يدعم التصنيف القوي. تؤكد النتائج على أهمية الموصوفات الرسومية المعتمدة على الدرجة في توقع الخصائص الإلكترونية، مما يوفر رؤى يمكن أن تُفيد التصاميم التجريبية التي تهدف إلى تحسين الإمكانات شبه الموصلة لـ GNRs. بشكل عام، تدعو النتائج إلى استخدام مؤشرات قابلة للتفسير ومشتقة من الهيكل في عمليات الفحص المدفوعة بالطوبولوجيا ضمن علوم المواد.
DOI: https://doi.org/10.3389/fchem.2026.1750413
PMID: https://pubmed.ncbi.nlm.nih.gov/41909523
Publication Date: 2026-03-12
Author(s): K. Jyothish et al.
Primary Topic: Graph theory and applications
Overview
The research paper section discusses the significance of bottom-up syntheses of graphene nanoribbons, emphasizing their electronic properties and quantum behaviors that are crucial for advancements in nanotechnology. The authors focus on the relationship between structural topology and functional properties, highlighting the importance of valency-based molecular descriptors in this context. By employing machine learning techniques, specifically logistic regression, the study evaluates the predictive power of these descriptors through receiver operating characteristic curves, which elucidate the topological features of graphene nanoribbons.
The findings indicate that the computed molecular descriptors serve as quantitative measures of essential structural characteristics that influence the material properties of graphene nanoribbons. This predictive framework not only aids in the design of graphene nanoribbons with tailored functionalities but also enhances the understanding of structure-property relationships within this material class. The integration of molecular descriptors with machine learning methodologies is shown to have the potential to expedite the discovery and optimization of advanced nanomaterials.
Introduction
The introduction of the paper discusses the significance of graphene, a two-dimensional material composed of sp² carbon atoms arranged in a honeycomb lattice, highlighting its mechanical, thermal, and electrical properties that make it a promising candidate for various applications, particularly in semiconductor technology. The transformation of graphene into a semiconductor, facilitated by the presence of a bandgap in graphene nanoribbons (GNRs), has garnered considerable interest. The paper focuses on three specific GNR structures: p-ANR, Zig-zag p-ANR, and 4-CNR, which exhibit unique electronic and optical characteristics influenced by their edge configurations and geometries.
The authors employ machine learning techniques to analyze degree-based topological indices of these GNRs, which serve as numerical measures of molecular connectivity and structure. These indices, including Zagreb-type indices and others, are crucial for understanding the electronic behavior of GNRs, particularly in relation to π-electron delocalization and bandgap formation. The study aims to establish a Composite Semiconducting Index (CSI) that correlates topological features with semiconducting properties, thereby providing a systematic framework for predicting the performance of graphene-based materials in electronic applications. The integration of chemical graph theory with machine learning is positioned as a novel approach to enhance the understanding of structure-property relationships in graphene nanostructures.
Methods
In this section, the authors discuss the application of machine learning methods, particularly logistic regression, to the topological study of graphene nanoribbons. While logistic regression allows for transparent interpretation of descriptor contributions, it faces challenges such as multicollinearity among degree-based indices, which can distort coefficient magnitudes due to overlapping structural information. Despite these limitations, the analysis demonstrates the effectiveness of the Composite Semiconducting Index (CSI) framework, as evidenced by robust probabilistic separation in ROC and probability distribution analyses. This approach serves as a topology-guided screening strategy, enabling the identification of structural motifs linked to semiconducting behavior before conducting detailed electronic structure calculations.
The findings indicate that degree-based indices, especially Zagreb-type indices, positively influence the classification of semiconducting nanoribbon topologies, while harmonic-geometric descriptors show weaker or negative effects, implying that increased heterogeneity in local connectivity may diminish semiconducting potential. The authors suggest that this framework not only aids in the rational selection of nanoribbon architectures for further evaluation but also has broader implications for semiconductor device research. Future work could enhance predictive power by exploring the robustness of these indices across various datasets and integrating them with advanced machine learning techniques, thereby extending their applicability to other domains and graph structures.
Results
The results section presents quantitative findings on the molecular graphs of three structures: p-ANR, zigzag p-ANR, and 4-CNR. For the p-ANR structure, represented by graph $G_1$, the total number of vertices and edges is approximately $|V| \sim 78n$ and $|E| \sim 109n – 5$, with specific counts for vertices of degrees 2 and 3 given by $|V_2| \sim 16n + 10$ and $|V_3| \sim 62n – 10$. Theorem 3.1 outlines various degree-based topological indices, including $BM(G_1) \sim 1515n – 147$ and $TM(G_1) \sim 2695n – 287$, among others.
For the zigzag p-ANR structure, denoted as $G_2$, the total vertex and edge counts are $|V| \sim 72n + 6$ and $|E| \sim 98n + 6$, with degree-specific counts $|V_2| \sim 20n + 6$ and $|V_3| \sim 52n$. Theorem 3.2 provides similar indices, such as $BM(G_2) \sim 1322n + 46$ and $TM(G_2) \sim 2338n + 70$. Lastly, for the 4-CNR structure represented by $G_3$, the total counts are $|V| \sim 32n + 24$ and $|E| \sim 43n + 28$, with vertex counts for degrees 1, 2, and 3 specified as $|V_1| \sim 2n + 2$, $|V_2| \sim 6n + 12$, and $|V_3| \sim 24n + 10$. Theorem 3.3 details indices such as $BM(G_3) \sim 581n + 313$ and $TM(G_3) \sim 1037n + 541$. These findings contribute to a deeper understanding of the structural properties of these molecular graphs.
Discussion
In this section, the discussion focuses on the analysis of topological descriptors and their influence on the semiconducting behavior of graphene nanoribbons (GNRs). The numerical computations reveal that topological indices, particularly the TMH-index, exhibit increasing values with the dimensions of the graphene structures, suggesting a correlation between dimensionality and electronic properties. Logistic regression analysis identifies key graph-based indices, such as the Randić and Geometric-Arithmetic indices, as significant predictors of semiconducting behavior, with the Randić index showing a strong positive correlation due to its ability to capture efficient π-electron delocalization. Conversely, indices like the Sombor and Sum Connectivity indices demonstrate negative contributions, indicating that increased local degree variance may lead to metallic characteristics.
Additionally, probability distribution analysis highlights the effectiveness of the Composite Semiconducting Index (CSI) in distinguishing between semiconducting and metallic GNRs, with clear separations in predicted probabilities. This suggests that the CSI encapsulates meaningful structural information rather than arbitrary statistical patterns, supporting robust classification. The results underscore the importance of degree-based graph descriptors in predicting electronic properties, providing insights that could inform experimental designs aimed at optimizing the semiconducting potential of GNRs. Overall, the findings advocate for the use of interpretable, structure-derived indices in topology-driven screening processes within materials science.