中山大学联合团队利用液相透射电子显微镜，实时记录了碲纳米结构在液体中的成核、生长与分支过程，并发现铋籽晶可影响成核位点和沉积效率。该研究为企业理解 AI、数据分析与先进材料研发结合提供了新的讨论视角。
今日技术观察 IT之家 6 月 20 日消息，中山大学联合北京理工大学、英国曼彻斯特大学的科研人员，利用液相透射电子显微镜，首次实时记录了半导体碲纳米结构在液体环境中的成核与生长全过程。碲是一种窄带隙半导体材料，在电子器件、热电转换和光电器件领域具有应用前景，其性能高度依赖于纳米结构的尺寸与形貌。相关成果已于 6 月 18 日发表在学术期刊《Matter》上。▲ 艺术渲染图，展示了碲纳米线在溶液中的电沉积生长过程液相合成法虽然具备可规模化生产和成本相 01 背景速览 背景速览：据报道，中山大学联合北京理工大学、英国曼彻斯特大学等科研人员，借助液相透射电子显微镜，对半导体碲纳米结构在液体环境中的电沉积过程进行了原位实时成像。研究显示，碲会先形成球形晶种颗粒，随后在此基础上生长出纳米线；邻近纳米线之间还会因争夺溶液中的可用原料而出现生长速度和分支形态差异。相关成果已发表于学术期刊《Matter》。 02 趋势影响 趋势影响：这类研究的价值不仅在于材料本身，也在于科研过程正在变得更加“可观测、可量化、可建模”。过去难以直接看到的纳米尺度成核与演化过程，如今可以通过原位显微成像获得连续数据。对于人工智能和企业数字化而言，这意味着材料研发、工艺优化和实验管理可能会产生更多高质量时序数据，为后续的图像识别、过程建模、实验参数推荐等 AI 应用奠定基础。 03 企业应用启发 企业应用启发：如果企业涉及半导体材料、传感器、热电转换、光电器件或先进制造，可以关注“实验数据资产化”的思路。例如，将显微图像、沉积电位、电子束条件、生长速率、添加剂配方等信息纳入统一数据平台，再结合机器学习方法分析形貌变化与工艺参数之间的关系。报道中提到铋纳米颗粒可改变碲的成核和沉积行为，这也提示企业在研发中可通过可控添加剂、参数矩阵和数据闭环来提高实验效率，但具体效果仍需结合自身工艺验证。 04 合规观察 合规风险提醒：在对外传播此类科研进展时，应避免将早期科研结果直接包装成已成熟量产方案，也不宜夸大其对电子器件、能源转换或传感应用的短期商业影响。企业如将相关论文、图像或实验数据用于内部训练、市场宣传或产品方案设计，需要关注论文版权、数据授权、科研伦理和专利布局问题。若引入 AI 分析显微图像，还应注意数据来源合规、模型可解释性以及实验结论不能仅由算法自动推断。 05 开放讨论 开放讨论问题：对于企业研发团队来说，哪些实验环节最适合先引入 AI 辅助分析，是显微图像识别、工艺参数推荐，还是实验记录自动化？在材料研发场景中，企业应如何平衡开放论文成果、内部工艺数据和商业机密之间的关系？如果要建设面向先进材料的研发数据平台，最优先需要标准化的是图像数据、实验条件，还是结果评价指标？ 公开来源参考 中山大学联合团队首次实时观察到碲纳米线在液体中的生长全过程，铋籽晶调控成核与沉积效率