ACS Nano：机器学习辅助设计高质量碳量子点学术资讯

来源：X一MOL资讯

碳量子点由于其易于功能化、光学可调、出色的光稳定性和低毒性等特性，特别适合用作检测环境中重金属离子的荧光响应探针。目前，水热或溶剂热“自下而上”制备方法是制备碳量子点的主要方法，并以其荧光量子产率来衡量其光学性能。获得高荧光量子产率碳量子点取决于许多参数的调控，例如反应温度、前驱体质量、升温速率和反应时间等等。然而，文献报道的碳量子点光学调控往往通过调节单一反应参数来优化制备，对碳量子点合成过程中各反应参数之间的相关性及重要性始终缺乏有效分析。因此，深入了解反应参数对碳量子点制备的影响，对于优化合成条件、探索其奇异性质和开发潜在应用至关重要。

随着近年来人工智能的快速发展，机器学习已广泛应用于识别、物理化学、生物学以及材料学等众多研究领域。更重要的是，机器学习已经展示出了通过有效地学习过去的数据来加速新型材料开发的非凡能力。尽管机器学习对材料性能的预测精度很高且适应性强，关于机器学习辅助合成新材料的研究较少。这主要是由于合成过程相对复杂且数据采集较少。因此，将机器学习引入高荧光量子产率碳量子点合成以加快调控周期并降低成本的可行性和潜力值得研究。

有鉴于此，上海大学吴明红教授、王亮副研究员团队联合新加坡南洋理工大学刘政教授团队成功地用回归算法达到了对碳量子点合成结果的成功预测、优化和加速。机器学习模型XGBoost揭示了各种合成参数与实验结果之间的关系，并为合成具有高荧光量子产率的碳量子点提供了方向。其中，前驱体和碱性催化剂的加入量被确定为合成高荧光量子产率碳量子点的最重要因素，这与实验结果十分吻合。更重要的是，他们已将高质量的碳量子点用于环境中Fe3+离子的检测。该探针显示出对Fe3+离子的宽浓度范围线性响应和低检测极限，显示了其作为荧光检测探针的高选择性和高灵敏度的性能。这一工作展示了机器学习指导高质量碳量子点合成的巨大潜能，为纳米材料的智能开发提供了新的思路。总体而言，机器学习辅助的合成策略在未来新型材料设计和快速合成中起着至关重要的作用。

图1机器学习应用于指导碳量子点合成示意图。

来源：X-molNews X一MOL资讯

原文链接：http://mp.weixin.qq.com/s?__biz=MzAwOTExNzg4Nw==&mid=2657663664&idx=2&sn=095140644231b531b650cd921a84163e&chksm=80f89360b78f1a7647854b3ef0974609c058be97671dad1461ed3ea5b2e7ffe48a70bc27d7b4&scene=27#wechat_redirect

电话：（010）86409582

邮箱：kejie@scimall.org.cn