▲第一作者：顾凯、梁瑛平
通讯单位：北京理工大学
论文DOI：10.1021/acsnano.5c09134（点击文末「阅读原文」，直达链接）
全文速览北京理工大学钟海政教授与付莹教授团队跨学科合作，构建了包含3508条量子点合成配方数据集和120万个量子点电镜图像数据集，开发了基于深度学习的通用型纳米晶合成模型。
该模型通过半监督学习和Transformer算法，实现了对量子点的精确分割以及尺寸和形貌的精准预测，并揭示了反应物对合成结果影响的内在规律，为加速高质量量子点材料的开发提供了强有力的AI工具。
背景介绍胶体纳米晶（如量子点）因其独特的尺寸依赖性光电性质，在
显示、催化、生物医学等领域应用广泛。2023年诺贝尔化学奖授予了量子点的发现与合成者，标志着该领域取得的成就。然而，量子点的合成通常涉及复杂的化学反应和多步结晶过程，往往依赖“试错法”来优化实验参数。如何定量描述合成参数（如温度、前驱体、配体等）与最终纳米晶尺寸、形貌之间的内在联系，仍是材料科学的重要挑战。近年来，机器学习为解决这
一复杂非线性问题提供了新思路，但受限于高质量数据集的匮乏，现有模型的泛化能力和迁移能力依然有限。
本文亮点1.大规模数据集构建：建立了包含348种量子点、3508条配方的高质量合成数据库，以及包含约1.2万张TEM图像（约120万个颗粒）的
图像数据集。
2.高精度分割模型：提出半监督学习策略，充分利用大量无标签图像，实现分割准确率（AP50）高达82.5%，为精确统计计算量子点的尺寸提供了方法。
3.数据增强与精准预测：引入基于反应中间体的数据增强方法，将Transformer模型用于合成预测，尺寸预测平均绝对百分比误差仅为17%，形貌分类准确率达
89%。
4.可解释性与泛化性：模型不仅在全新配方上展现出优异的迁移学习能力，还通过注意力机制揭示了“量子点组分 > 前驱体/配体 > 溶剂”的合成重要性排序。
图文解析图1：纳米晶分割与合成模型开发流程概览
研究团队首先构建了分割模型与合成模型两大核心板块。图1上子图展示了分割模型的建立流程，利用半监督学习策略，从TEM图像中提取纳米晶的尺寸标签；下子图展示了合成模型的建立流程，利用深度学习算法（Transformer），结合从配方中提取的条件描述符（如温度、时间）和化学描述符（3D分子结构），
实现对纳米晶性质的预测。值得注意的是，该研究涵盖了元素、二元、三元及四元化合物等广泛的材料体系。
图2 基于半监督学习的纳米晶TEM图像分割与形貌统计
针对TEM图像中纳米晶颗粒密集、分辨率低且人工标注成本高昂的难题，团队开发了一种高效的半监督学习分割模型。模型充分利用了无标签的数据（图2a）：有标签数据利用全标注图像生成种子图（Seed Map）和实例图进行精确监督；无标签数据则通过预训练网络生成“弱标签”，并创新性地引入了不确定区域掩膜（Uncertainty Mask）方案。该方案在计算损失时会自动忽略边界模糊的“不确定区域”，仅利用高置信度的前景和背景辅助训练。这种策略有效挖掘了海量无标签数据的价值，将分割平均精度（AP50）从68.5%大幅提升至82.5%。
图2b
对比了分割前后的TEM图像，模型能精准识别不同形状（如方形、星形）和聚集状态的纳米晶。图2c和2d展示了基于分割结果的形貌分析方法，对13万个PbSe纳米晶进行了无监督形状聚类，不仅识别出7种典型形貌，还量化了反应温度对形貌分布的调控规律（如180°C出现星形，240°C以方形为主）。
图3：合成模型的构建、性能评估与实验验证
为了从复杂的化学配方中提取有效特征并建立精准预测模型，研究团队设计了完整的深度学习工作流。合成模型将反应条件（温度、时间等）转化为条件描述符，并将化学物质名称转化为3D分子结构图（基于DFT计算）作为化学描述符（图3a）。更重要的是，团队开发了基于反应中间体的数据增强方法，通过计算化学反应中可能生成的中间体并更新配方，实现了数据量的十倍扩增。这一策略显著解决了材料合成数据稀缺的难题，大幅提升了模型的泛化能力。
在对比了随机森林、
LSTM等多种算法后，Transformer模型表现最佳，尺寸预测平均绝对误差低至1.39 nm（平均绝对百分比误差为17%），形貌预测的准确率为89%（图3b和3c）。模型还成功指导了实验，以PbSe量子点为例，在固定其他参数下，仅调节油酸和油胺的比例，实现了尺寸和形貌的精准调控（图3d和3e）。此外，模型在未见过的配方（未在训练集的Ag₂S、Ni纳米晶）上进行的泛化性测试也取得了优异结果，证明了其跨材料体系的知识迁移能力。
图4. 模型可解释性分析
通过分析Transformer
模型的注意力权重，研究人员揭示了“黑箱”内部的决策逻辑（图4a）。通过对编码物质按功能分类，研究人员探究了不同物质对最终产物尺寸的影响程度。统计结果显示（图4b），决定最终纳米晶尺寸的因素按重要性顺序为：量子点组分 > 前驱体/配体 > 溶剂。这表明尺寸性质受产物量子点的内禀性质影响最大，而溶剂的影响相对较小。这一发现定量证实了化学直觉，并为“AI指导新材料发现”提供了可解释的理论依据。
总结与展望该工作通过构建“配方-产物性质”的数据集，开发了集图像自动解析与合成预测于一体的深度学习平台。该模型不仅实现了高精度的正向预测（从配方到性质）和逆向设计（从性质反推配方），还展现了在不同材料体系间的知识迁移能力。这一成果展示了数据驱动方法在材料科学中的巨大潜力。
业务介绍
研理云，研之成理旗下专门针对科学计算领域的高性能计算解决方案提供者。我们提供服务器硬件销售与集群系统搭建与维护服务。 ● 配置多样（单台塔式、两台塔式、多台机架式），按需定制，质量可靠，性价比高。
● 目前已经为全国 100 多个课题组提供过服务器软硬件服务（可提供相同高校或临近高校往期案例咨询）。 ● 公司服务器应用工程师具有量子化学、第一性原理、分子动力学等相关学科研究背景。 ● 公司与多位化学、材料领域理论计算方向专家长期合作，一起探索最优服务器软硬件配置和部署。
● 定制化硬件配置：提供售前实例测试，为您提供最合适的硬件配置方案。 ● 一体化软件服务：根据需求，发货前，完成系统、环境、队列、计算软件等所有内容的安装与配置，让您实现开机即用。 ● 完善的售后服务：为每位客户建立专属服务群，遇到问题及时解决。大大降低使用学生使用门槛和缓解老师压力。三年硬件质保 + 三年免费软件技术支持。 ● 已购买客户咨询：我们已有超过100位已购买客户，可以给您提供相同城市或者临近城市已购买客户的联系方式，以提供真实案例咨询。 ● 赠送课程学习机会：可选课程包括量子化学（Gaussian），第一性原理，（Vasp），分子动力学模拟（Lammps、Grommacs），钙钛矿计算模拟（Vasp）等。具体赠送方案以沟通结果为准。
更多科研作图、软件使用、表征分析、SCI 写作、名师介绍等干货知识请进入后台自主查询。
