机器学习辅助纳米粒子合成登上影响因子高达66.308的Nature子刊

【背景介绍】

纳米粒子是一种具有一个或多个特征尺寸的粒子，其尺寸范围为1-100 nm。单个纳米粒子和纳米粒子集合体在催化、热电、光伏、太阳能电池制造和制药等领域有着广泛的应用。显著特征是电子、光学、磁性或催化性能取决于它们的尺寸、形状和表面化学性质，不同于具有相同组成的宏观对应物。为了精确制备纳米粒子的尺寸、形貌和表面化学性质，必须对其合成进行控制。然而，纳米粒子的合成往往涉及多个试剂和相互依赖的实验条件，使得精确合成纳米粒子具有挑战性。此外，在反应混合物中引入试剂的顺序也起着重要作用。因此，需要更有效和可控的方法来合成具有特定性质的纳米粒子。

机器学习（ML）是人工智能的一个分支，它使用计算机算法来推断数学模型，这些模型可以直接从获取的数据中执行某些任务，而不是基于既定的物理定律。ML模型可以利用大量的数据为所需化合物建立复杂的结构-性质和组成-性质关系，或者生成新的分子和材料。此外，ML可以用来指导数据的收集，从而得到最有用的实验。因此，ML提供了一个强大的工具来加速开发有效的纳米粒子合成方案，并有可能用于合成具有复杂性质的新型纳米粒子。

【成果简介】

近日，加拿大多伦多大学Eugenia Kumacheva和Alán Aspuru-Guzik（共同通讯作者）等人报道了一篇关于机器学习（ML）辅助纳米粒子合成的最新综述。在文中，作者首先讨论了ML辅助合成纳米粒子的最新进展。然后，作者描述了可用于纳米粒子合成的ML算法，并且介绍了收集用于分析的大数据集的关键方法。最后，作者们讨论并总结了ML指导的半导体、金属、碳基和聚合物纳米粒子的合成，并且对未来研究方向的进行了展望。研究成果以题为“Nanoparticle synthesis assisted by machine learning”发布在国际著名期刊Nature Reviews Materials上。

【图文解读】

图一、纳米粒子合成中的ML算法

（a）纳米粒子合成中的ML任务；

（b）基于树、实例和深度学习可用于预测纳米粒子特性的ML算法；

（c）玩具示例展示了每个算法类背后的核心操作。

图二、与ML算法集成的自主机器人和微流体合成中的数据集生成

（a）机器人或微流体平台可用于高通量纳米粒子合成；

（b）随后的表征可以通过获取吸收光谱或透射电子显微镜（TEM）成像来实现；

（c）条件属性数据集作为ML算法的输入提供，用于预测或实验计划。

图三、预测反应条件与半导体纳米粒子性质的关系

（a）从神经网络模型获得CdSe QDs的反应条件-量子产率景观的代表性3D图；

（b）基于支持向量机模型绘制的配体链长度-配体浓度坐标中的CsPbBr₃纳米石墨片在82 °C和150 °C下的生长模式图。

图四、半导体纳米粒子合成的实验规划

（a）用于合成具有高圆二色性（CD）信号的CsPbBr₃纳米粒子的2D参数平面；

（b）比较系统筛选与贝叶斯优化算法在相同数量的测量后对680 nm的目标光致发光峰值的波长；

（c）最佳目标函数Z值，绘制为四个基于集成神经网络（NNE）的贝叶斯方法、SNOBFIT和协方差矩阵自适应进化策略（CMA-ES）的实验数量的函数。

图五、金属纳米粒子合成的实验规划

（a）从种子进化而来的Au纳米粒子的适应度函数、紫外-可见光谱和透射电子显微镜图像；

（b）贝叶斯优化和深度学习建议的Ag纳米粒子合成的损失。

【总结与展望】

综上所述，ML辅助纳米粒子合成的进展极大地加速了试剂和反应条件的最有效组合的鉴定，以生成具有不同特性的纳米粒子。但是ML不应取代获得对纳米粒子的反应机制和结构特性关系的基本理解。ML辅助纳米粒子合成的真正创新是合成具有出乎意料的结构、组成、形状和/或结构特性关系的纳米粒子，但这些关系尚未报道。通过扩展用于纳米粒子合成的实验规划算法库可以解决前述问题。

目前，ML辅助纳米粒子合成主要是在加速现有合成程序的识别和优化，使这些过程更节能、更少劳动密集型和更具成本效益。要实现ML和纳米材料合成的有效整合，仍有许多挑战需要解决。同时，没有单一的实验规划算法可以保证优于其他算法，特定算法的选择可能并不总是最优的。对于实验规划算法，需要人工决定，通常不可能直接测量感兴趣的属性，因此必须同时考虑多个属性。ML模型可能会提供准确的预测，但可能不清楚算法如何得出预测。

由于有许多结果以不同的格式提供，收集实验数据以构建特定的ML模型也带来了挑战。开发全自动ML辅助纳米粒子合成的技术挑战与自动化、样品制备和纳米颗粒表征的能力有限有关。纳米粒子合成的某些阶段很难实现自动化，原位纳米颗粒表征也具有挑战性。微流体纳米粒子合成的优势，在常规实验中可能无法保持，并会导致纳米粒子成核和生长速率的差异，而导致不同的纳米粒子尺寸和大小分布。通过有效地规划实验和建立稳健的预测模型，ML将使科学家们从日常劳动密集型合成中解放出来，并使他们能够更多地关注纳米粒子形成的基础研究，以了解它们的特性并拓宽纳米粒子的应用范围。

文献链接：

Nanoparticle synthesis assisted by machine learning. Nature Reviews Materials, 2021, DOI: 10.1038/s41578-021-00337-5.

本文由CQR编译。

投稿邮箱

tougao@cailiaoren.com

投稿以及内容合作可加微信

cailiaorenVIP

机器学习辅助纳米粒子合成 登上影响因子高达66.308的Nature子刊

机器学习辅助纳米粒子合成登上影响因子高达66.308的Nature子刊