原子厚度的二維（2D）材料的完美性和物理特性很容易受合成過程和生長過程的影響。要實現所需要的特性（如結構均勻性、高載流子遷移率、強光-質相互作用、可調帶隙和柔性等），是下一代電子級2D材料合成和生長的重要挑戰。可靠的、優化的、生長和制造工藝，對于在晶圓級合成具有均勻特性的2D材料來說至關重要。

該綜述概述了有關二維層狀材料生長的最新建模工作，并概述了在不同長度和時間范圍內的計算模型及其方法的優缺點。綜述的重點是建模、揭示和預測2D材料生長的熱力學和動力學。最終目標是開發相關的計算工具和技術，以實現2D材料的“由設計而合成”。來自美國路易斯安那理工大學的Kasra Momeni等和美國其他多所大學的研究人員指出，理想的計算模型不僅應準確地捕獲正確的物理特性以允許作穩健的設計，還應具有較高的計算效率，可用于主動調控生長過程。2D材料生長的復雜性需要用到一系列模型，這些模型適用于多個物理長度和時間范圍，從而能夠捕獲生長爐內的原子反應的全部生長現象：從宏觀流動和濃度分布，到2D材料在中尺度上的形核和生長。由于在不同的物理長度和時間范圍上與每個計算模型相關聯的局限性，對2D材料的生長所涉及的機制的全過程進行建模很有挑戰性。

要對2D材料的生長進行高保真預測，通常需要整合適用于不同規模的方法，這些方法可用于電子和原子模型、介觀現象學和宏觀連續模型。如，可采用電子和原子模型在不同結構和化學環境中的不同相的化學勢和原子種類的遷移能，對中尺度相場模型進行參數化，以預測其形貌和二維材料的特性。由宏觀連續體模型獲得的信息所指定的邊界條件，如文獻中所述的生長爐中的溫度分布。此外，對生長進行原位實驗監測的技術障礙，也阻礙了對計算預測的驗證。當前的數學和數值模型需要昂貴的計算資源，并且通常不能同時捕獲2D材料生長過程中涉及的所有物理過程，從而限制了它們廣泛應用于主動調控的2D材料生長過程。解決這一挑戰的一種有前途的方法是，使用2D材料結構和生長條件的實驗和計算數據庫訓練的機器學習模型，如使用2D Crystal Consortium-Materials Innovation Platform數據庫中可用的模型。最后，用于理解2D材料生長的模型和方法可適用相同合成技術（如CVD的薄膜生長）的其他材料的生長。

從未來的角度來看，作者提出了兩種主要的計算模型開發策略，及其在2D材料設計和合成中的應用，這是該領域的長期挑戰。首先是開環設計方法，它通過執行一系列模擬熱物理條件以及反應和生長動力學的模擬，來確定生長爐的設計和合成條件。用這種方法，模型必須具有高保真度，并應執行全面的靈敏度分析，以獲得穩健的設計。第二種方法是閉環設計，開發的模型將用于確定要傳遞給控制器的系統狀態，該控制器實時調整生長條件。在這一方法中，模型的計算效率是設計成功的關鍵。

Multiscale computational understanding and growth of 2D materials： a review

Kasra Momeni， Yanzhou Ji， Yuanxi Wang， Shiddartha Paul， Sara Neshani， Dundar E. Yilmaz， Yun Kyung Shin， Difan Zhang， Jin-Wu Jiang， Harold S. Park， Susan Sinnott， Adri van Duin， Vincent Crespi & Long-Qing Chen

The successful discovery and isolation of graphene in 2004， and the subsequent synthesis of layered semiconductors and heterostructures beyond graphene have led to the exploding field of two-dimensional （2D） materials that explore their growth， new atomic-scale physics， and potential device applications. This review aims to provide an overview of theoretical， computational， and machine learning methods and tools at multiple length and time scales， and discuss how they can be utilized to assist/guide the design and synthesis of 2D materials beyond graphene. We focus on three methods at different length and time scales as follows： （i） nanoscale atomistic simulations including density functional theory （DFT） calculations and molecular dynamics simulations employing empirical and reactive interatomic potentials; （ii） mesoscale methods such as phase-field method; and （iii） macroscale continuum approaches by coupling thermal and chemical transport equations. We discuss how machine learning can be combined with computation and experiments to understand the correlations between structures and properties of 2D materials， and to guide the discovery of new 2D materials. We will also provide an outlook for the applications of computational approaches to 2D materials synthesis and growth in general.

責任編輯:pj