理解碳点(CDs)制备过程中反应参数的相关性对于优化合成策略,探索其奇特性质和开发潜在应用至关重要。然而,CDs合成的综合筛选实验数据量非常庞大。机器学习(ML)有望解决该问题,其最近已成功用于筛选高性能材料。近日,上海大学Liang Wang,Minghong Wu,新加坡南洋理工大学Zheng Liu等报道了通过基于ML的技术成功预测,优化和加速CDs合成过程。
本文要点:
1)作者建立了水热合成CDs的回归分析ML模型,该模型能够揭示各种合成参数与实验结果之间的关系,并增强与过程相关的特性,例如荧光量子产率(QY)。
2)通过ML指导和实验验证相结合,作者得到了QY高达39.3%的具有强绿色发射的CDs。
3)通过ML模型发现,前驱体的质量和碱性催化剂的用量是合成高QY CDs的最重要因素。
4)获得的CDs具有超强的光学性能,可用作监测Fe3+离子的超灵敏荧光探针。该探针在较宽的浓度范围(0-150μM)内对Fe3+离子表现出线性响应,其检测极限为0.039μM。
该工作证明了ML用于指导高质量CDs合成,加速了智能材料开发的巨大潜力。
Yu Han,et al. Machine Learning Driven Synthesis of Carbon Dots with Enhanced Quantum Yields. ACS Nano, 2020
DOI: 10.1021/acsnano.0c01899