功能材料通常用于新兴技术，例如绿色能源解决方案和新电子设备。这些材料通常是不同有机和无机成分的混合物，具有许多适用于新应用的有利特性。为了充分发挥它们的潜力，我们需要精确了解它们的原子结构。最先进的实验工具，如原子力显微镜 (AFM)，可用于研究金属表面上的有机分子吸附物。

然而，从显微镜图像解释实际结构通常很困难。计算模拟可以帮助估计最可能的结构，但对于复杂的材料，使用传统方法在计算上难以进行精确的结构搜索。最近，CEST 小组使用计算机科学的机器学习算法开发了用于自动结构预测的新工具。

在最近的这项工作中，研究人员证明了贝叶斯优化结构搜索 (BOSS) 人工智能方法的准确性和效率。BOSS 确定了 Cu(111) 表面上樟脑分子的吸附物构型。这种材料以前曾用 AFM 研究过，但从这些图像中推断出结构尚无定论。在这里，研究人员表明，BOSS 不仅可以成功识别出最可能的结构，还可以成功识别樟脑在 Cu(111) 上可能具有的八种稳定的吸附质构型。

他们使用这些模型结构来更好地解释 AFM 实验，并得出结论，这些图像的特征可能是樟脑通过氧原子与铜表面化学结合。以这种方式分析单分子吸附物只是研究表面上几个分子的更复杂组装以及随后单层形成的第一步。对界面结构的深入了解有助于优化这些材料的功能特性。