科學家用AI造材料，只需23個初始數據就能合成7種螢光碳量子點，並能精確控制發光機制

「使用機器學習引導 63 次實驗之後，我們成功製備出了從藍光到紅光的可調全色螢光碳量子點，所有顏色的螢光量子產率均顯著超過 60%。」南洋理工大學特聘研究員湯碧珺表示。

研究中，她和合作者開發出一種基於機器學習的多目標優化策略，並將其用於高螢光量子產率的全色碳量子點的合成。

這一策略通過利用有限數據和稀疏數據，揭示了合成參數與目標特性、尤其是揭示了光致發光波長和螢光量子產率之間的構效關係。

通過對目標函數進行統一處理，湯碧珺等人優化了包括全色螢光和高螢光量子產率在內的多種特性。

她和合作者發現：這些碳量子點的粒徑、與其相應的光致發光波長之間存在線性關係。通過此，他們進一步揭示了碳量子點固有的量子尺寸效應。

不同於其他材料合成中的機器學習方法，本次方法只需要相對較少的實驗次數，就能實現多種特性的優化。

儘管所使用的數據庫非常小，但是該課題組的模型僅僅基於 23 個初始數據，以及僅僅經過 20 次迭代就完成了所需性質的優化。

總的來說，本次成果主要由兩部分組成：由機器學習指導合成的方法、以及借此造出的高性能碳量子點。

對於這種機器學習指導合成的方法來說，它有望顯著加速新材料的研發過程，大幅減少實驗次數和實驗時間，從而顯著降低研發成本。

這一方法不僅能被用於半導體材料、催化劑和新型電池材料的開發，還能夠推動自動化實驗室的建設。

即通過 AI 模型與機器人的結合，實現材料合成與材料優化的自動化，在提高實驗效率的同時減少人為誤差。

此外，還可以根據特定的需求，快速地設計和優化材料的性能，從而讓定製化的高性能材料在航天、國防、醫療等領域更好地發揮作用。

對於高性能的碳量子點來說，它作為一種零維的碳無機納米材料，憑藉卓越的螢光性能、水溶性、生物兼容性和穩定性，已經在多個領域顯示出不錯的應用潛力。

具體來說：

在光電器件領域，碳量子點有望用於製造更高效、更穩定的發光二極管。

在生物成像領域，碳量子點可以作為優秀的螢光標記物，為細胞成像和組織成像提供更清晰、更精確的圖像。

在生物治療領域，碳量子點可以作為藥物載體，實現藥物的精準輸送、直達病變部位，提高治療效果並減少副作用。

在生態環境領域，碳量子點可被用於環境監測和治理，例如檢測水質和空氣質量、以及去除汙染物等。

在催化領域，碳量子點能被作為催化劑來加速化學反應，提高反應效率、以及降低能源消耗。

對於相關論文審稿人一致認為：本次研究展示了機器學習在小型數據集上的強大潛力。

與此同時，通過巧妙地運用 AI 技術，研究團隊在提升量子點發光效率的同時，也實現了對於發光機制的精確控制。

這不僅為量子點材料研究帶來了全新的研究視角，更為材料科學領域的發展注入了新的發展動力，將能助力於光電子學和量子計算的發展。

材料合成為何亟需引入人工智能技術？

據介紹，作為 AI 的核心技術，機器學習已經深入到各個研究領域，並在加速材料研究上顯示出巨大潛力。

此前，機器學習模型已被成功用於鈣鈦礦鹵化物、金屬玻璃、高熵合金、以及無機-有機雜化材料等多種材料的性能預測。

然而，作為材料研發中的一個重要環節，針對材料合成的 AI 研究仍然不成熟。

對於傳統的無機材料合成來說，由於涉及到多種參數，通常需要反復試驗，才能找到理想的合成條件，這不僅耗時耗力、成功率也比較低。

早在 2018 年，湯碧珺和所在團隊就開始探索 AI 在指導先進材料合成上的可行性。

當時，AI 在材料科學領域的應用尚未得到廣泛關注，相關的可參考案例也比較少。因此，課題組首先得探索一條可行之路，以便將 AI 用於材料合成。

經過兩年的努力，他們通過使用化學氣相沉積法，將機器學習中的分類算法成功用於二維材料的合成。

並通過使用水熱法，將機器學習中的回歸算法，成功用於高螢光產率的硫氮摻雜藍色螢光量子點的合成。

相關論文於 2020 年發表在 Materials Today[1]，後於 2024 年被該期刊選為 Materials Today family of journals 最具影響力的論文之一。

此後，該團隊進一步探索了 AI 在更多材料體系之中的應用前景，並解決了不同材料的合成問題。

通過使用機器學習算法，他們不僅造出了具有高量子螢光產量的綠色螢光量子點 [2]，還實現了對於先進低維材料形貌的調控，為進一步研究與材料維度相關的物理性質奠定了基礎 [3]。

儘管這些前期工作證明了 AI 在材料合成中的潛力，但是上述成果必須依賴於大量前期數據的收集，否則就無法獲得準確率較高的機器學習模型。

而且，儘管借助 AI 模型可以很好地提升實驗結果，但是前期的實驗成本依舊高企不下。

因此，他們開始探索如何在實驗早期引入 AI，通過使用較少的初始數據，就能提升實驗結果的準確率。

與此同時，此前他們往往只關注優化材料的某一種性質，但這在實際的材料設計中會帶來一定局限。

例如，對於螢光碳量子點的光學特性來說，它包括兩個關鍵性能指標：光致發光波長和量子產率。它們共同決定著材料的光學性能。

因此，在本次研究中他們希望開發一種基於機器學習的多目標優化策略，用於製備新型碳量子點，讓其不僅具備卓越的螢光性能，並能在整個光譜範圍內展現不同的顏色。

7 種顏色的螢光量子產率均超 60%

而在本次研究之中，為了建立訓練數據集，在不同隨機選擇參數下，他們累計合成 23 個碳量子點樣本，並驗證了這些樣本的光致發光波長和螢光量子產率。

隨後，他們選擇 2,7-二羥基萘作為前驅體，並結合多樣化的催化劑、以及一系列溶劑，探索不同條件之下碳量子點的形成，以及深入分析了 8 個關鍵的合成參數。

同時，基於機器學習模型的預測結果，該團隊提出一種名為多目標優化策略的新方法。

但是，由於搜索空間的維度較高，實驗數據也比較有限，因此很難建立一個能被推廣至未見數據上的模型。

為瞭解決這一問題，他們採用基於梯度增強決策樹的模型，在給定的數據集之上，分別擬合了兩個已經通過最優超參數優化的回歸模型。

其中一個模型能用於預測光致發光波長，另一個模型能用於預測螢光量子產率。這樣一來，就能預測所有未探索的候選合成條件。

對於候選條件的搜索空間來說，它由 8 個合成參數的所有可能值的笛卡爾積來定義。通過此，可以得到大約 2000 萬個可能的組合。

而通過利用多目標優化的評價策略，並對實驗預測加以預測，該團隊針對未探索的候選合成條件，開展了進一步的排序。

然後，對於在前兩個推薦合成條件下合成的碳量子點，他們通過實驗和表徵這兩種手段，驗證了這兩種碳量子點的光致發光波長和螢光量子產率值。

並將上述結果加入到訓練數據集之中，以用於多目標優化設計循環的下一次迭代。在多次迭代之後，7 種顏色的螢光量子產率均超過 50%。

同時，在對數據進行處理之後，該團隊揭示了合成參數與碳量子點性能之間的內在聯繫，驗證了本次合成策略的有效性。

通過對比不同條件下的合成效果，其又進一步闡釋了參數調整對於產物性能的影響。

最終，在機器學習的幫助之下，他們將所有全色碳量子點的螢光量子產率均提升到 60% 以上。

這凸顯了機器學習方法在引導合成策略上的獨特優勢。也這證實了針對高維搜索空間中的合成參數與目標特性之間的錯綜複雜關係，機器學習方法能夠發揮強大的導航作用。

總的來說，本次研究不僅為碳量子點的研究開闢了新視角，也為材料合成策略提供了全新的思考方向。

上海大學的郭華章博士和碩士生鮑紅，以及南洋理工大學的鹿雨豪博士和雷振東博士是共同一作。

南洋理工大學的劉政教授、湯碧珺特聘研究員和關存太教授，以及上海大學王亮研究員擔任共同通訊作者 [4]。

圖 | 相關論文（來源：Nature Communications）

未來，他們計劃將基於機器學習的多目標優化策略用於更多材料合成體系之中，比如用於二維材料和高熵納米顆粒，以便提升新材料的研發效率。

通過這一策略，他們希望能在更廣泛的材料領域中，實現高效、精確的合成和優化，推動材料科學的整體進步。

同時，他們也將繼續聚焦於碳量子點研發中的痛點，通過研發更多 AI 方法來解決這些問題。

目前，碳量子點領域依然面臨著三大挑戰：

挑戰之一在於：波長在 780-2526nm 範圍的近紅外光，其吸收、轉換、以及儲存效率直接關係到太陽能利用的效能。

挑戰之二在於：紅光/近紅外發光的碳量子點的大規模製備尚存阻礙。

挑戰之三在於：現有的分離純化方法繁複且效率低下。

因此，當前迫切需要一種能夠大規模合成高純度碳量子點的新方法。

而借助機器學習等先進技術，該團隊有望在解決現有問題的基礎上，進一步深入挖掘碳量子點的特性與應用，實現高純度碳量子點的大規模合成。

參考資料：

1.Materials Today 41 (2020): 72-80

2.ACS nano 14.11 (2020): 14761-14768

3.Journal of the American Chemical Society 143.43 (2021): 18103-18113

4.Guo, H., Lu, Y., Lei, Z.et al. Machine learning-guided realization of full-color high-quantum-yield carbon quantum dots. Nat Commun 15, 4843 (2024). https://doi.org/10.1038/s41467-024-49172-6

運營/排版：何晨龍