ACS Nano:机器学习辅助合成高荧光量子产率碳点
近年来荧光纳米传感器显示出高灵敏度和选择性检测等各种优势，超过常规电化学方法。然而与荧光纳米传感器相比，碳点（CDs）因其光学传感的多项优势，例如易于功能化，宽带光吸收，出色的光稳定性等，在传感中占有重要地位。目前制造CDs的主要方法是水热法或溶剂热法“自下而上”进行制备。大量研究表明了荧光量子产率（QYs）可以鉴定高质量CDs，高QYs CDs的制备取决于许多参数的调整，例如反应温度，前体质量，升温速率和反应时间等。然而，目前文献中报道的CDs制备通常是通过调节反应参数并固定其他反应因子来优化制备。他们通常缺乏分析复杂关系的有效方法。因此，了解生产过程的关键因素是合成高QYs CDs的中心问题，并且需要通过某些转化方式获得其内在联系。如今机器学习（ML）已成功用于筛选高性能材料，它是一种人工智能，因其处理大量数据的出色性能，逐渐作为一种强大而通用的工具而受到了广泛的关注。已经应用于众多研究领域，主要用于发现创新材料。但由于合成过程高度复杂且数据较少，因此ML辅助合成的研究仍较少，所以将ML引入高QYs CDs合成以加快勘探周期并降低成本的潜力值得研究。
鉴于此，上海大学吴明红课题组提出了一种机器学习策略，可以成功地预测，优化和加速CDs的合成过程。建立了水热合成CDs的回归ML模型，阐明CDs反应因子之间的相关性。例如荧光量子产率，通过ML指导和实验验证相结合，可以得到QYs高达39.3％的具有强绿色发射的CDs。ML模型进一步揭示了优异的光学性能与前体质量和碱性催化剂的体积密切相关，这与实验结果十分吻合。更重要的是，现在已将高质量的CDs用作监测Fe3+离子的超灵敏荧光探针，该探针对Fe3+离子显示出宽的线性响应浓度范围，展现出其高灵敏度和高选择性。该工作以“Machine Learning Driven Synthesis of Carbon Dots with Enhanced Quantum Yields”为题发表在ACS Nano上。
