了解碳点(CDs)制备过程中各反应参数之间的相互关系,对于优化合成策略、探索特定性能和开发潜在应用具有重要意义。然而,关于CDs合成的综合筛选实验数据庞大且嘈杂。机器学习(ML)最近已成功地用于高性能材料的筛选。在此,上海大学吴明红、新加坡南洋理工大学Zheng Liu等人展示了基于ML的技术如何为CDs合成过程的成功预测、优化和加速提供帮助。
本文要点:
1)建立了水热合成CDs的回归ML模型,该模型揭示了各种合成参数与实验结果之间的关系,提高了CDs的荧光量子产率(QY)等与工艺相关的性质。
2)通过ML导引和实验验证相结合的方法,获得了QY高达39.3%的强绿色发射CDs。通过优化好的ML模型,确定了前驱体质量和碱性催化剂体积是合成高QY CDs的最重要特征。
3)CDs由于其优异的光学性能,被用作监测Fe3+离子的超灵敏荧光探针。该探针对Fe3+离子具有很宽的线性响应范围(0~150μM),其检测限为0.039μM。
综上所述,ML对指导高质量CDs的合成,加速智能材料的发展具有重要作用。
Yu Han, et al. Machine-Learning-Driven Synthesis of Carbon Dots with Enhanced Quantum Yields. ACS Nano, 2020.
DOI: 10.1021/acsnano.0c01899
https://doi.org/10.1021/acsnano.0c01899