文章题目：Machine learning for carbon dots: Capabilities, limitations, and the path toward rational design
出版信息：Adv. Powder Mater. 5(2026)100431.
原文链接：
https://www.sciencedirect.com/science/article/pii/S2772834X26000394
第一作者：申书蝶
通信作者：朱亮、赵晓昱
碳点应用前景广阔，但存在合成非线性、结构不均、构效关系不清等问题，限制了可控定制制备。机器学习为碳点研究提供数据驱动新范式，却面临数据零散、任务不清、模型可解释性不足等短板。本文综述机器学习在碳点性能预测、逆向合成设计、机理探究三大方向进展，对比模型光学预测优劣，指出现有模型多为单纯统计拟合、缺乏物理机理，且红光/近红外碳点存在数据与泛化难题；同时评述机器学习在传感、光催化能源、生物医学、LEDs、防伪加密领域的优化与设计价值。未来需构建标准化数据库、研发物理约束可解释模型、融合主动学习与闭环实验，推动碳点研发从经验试错转向可预测、可解释、可调控的理性设计。
碳点（图1）是尺寸小于10 nm的纳米材料，具备发光可调、生物相容、低毒稳定等优势，在传感、生物医学、光催化、LEDs及防伪等领域应用前景广阔。但其合成变量多、非线性强、耦合复杂，传统经验试错效率低，构效关系难以厘清。机器学习虽已在碳点研究取得不少成果，但缺乏系统归类，亟需梳理应用逻辑、核心成果与技术瓶颈。
本文归纳机器学习辅助碳点研究的流程范式（图2），从基础层面总结其在性能预测、合成优化、机理解析的应用并评价方法优劣，从应用层面阐述其在多领域的赋能效果，最后剖析现存瓶颈、给出解决思路与发展展望，以期建立数据驱动设计方法，推动碳点研发从经验试错迈向智能驱动。
图2. 人工智能发展阶段、常用机器学习算法及标准工作流程
（1）批判性评估了机器学习在碳点研究中的作用，区分性能提升与真正的设计能力，并明确其在数据、可解释性和通用性上的局限。
（2）比较了机器学习在传感、信息加密和光电子系统中的应用，指出其最有效的适用场景。
（3）展望了数据库构建、物理建模与智能制造策略，推动合理、可重复的碳点材料设计。
4.1 预测碳点特性
4.1.1 预测发射波长与颜色
碳点发光机制尚不明确，难以精准调控发光颜色；目前多为蓝、绿光发射，高效稳定的红光与近红外碳点制备仍是难题，而精准控色对多色及深层生物成像至关重要（图3）。传统经验试错法低效可控性差，机器学习虽能实现红/非红光碳点高精度分类，并建立合成参数与发光波长的关联，但现有模型多依赖实验参数、缺乏机理关联。此外，红光/近红外碳点结构数据匮乏，模型高准确率仅为统计拟合，未揭示物理本质。未来需结合量子化学与电子结构分析，实现碳点目标导向的逆向理性设计。
图3. 机器学习辅助预测碳点发射波长与颜色的模型构建与应用
4.1.2 调控荧光量子产率
光致发光量子产率影响发光材料的灵敏度与亮度，传统固态碳点易发生聚集荧光淬灭。机器学习结合多目标优化与主成分分析，探明了分子振动等关键机制对量子产率的影响。依托XGBoost模型优化工艺，实现高量子产率固态发光碳点千克级制备。未来需引入更多化学特征描述符，突破模型跨体系泛化能力瓶颈（图4）。
图4.
机器学习指导高荧光量子产率碳点合成的多种策略与规模化应用
4.1.3 预测余辉（磷光）特性
随着光信息加密和生物成像技术的发展，具备可控延迟发射能力的室温磷光碳点成为研究热点。通过整合主动学习与密度泛函理论，机器学习不仅实现了对激发/发射波长和余辉寿命的精准预测，还通过结合SHAP分析揭示了基质厚度与三重态电子泄漏的负相关机制（图5）。
图5. 机器学习探索碳点长余辉材料的机制与设计
4.2 机器学习辅助碳点合成优
传统单因素合成实验耗时低效，无法厘清参数间复杂协同与拮抗关系。机器学习通过多种算法融合，实现碳点合成路径智能全局寻优，大幅缩短研发周期，助力碳点绿色功能材料开发（图6）。未来需搭建多源异构数据集、引入迁移学习提升模型泛化能力，构建兼顾性能、成本与环保的多目标优化框架，并结合物化机理增强模型可解释性。
图6. 机器学习辅助碳点合成过程的全局参数优化框架
4.3 机器学习辅助碳点机理探
传统单因素调控合成耗时低效，无法明晰碳点合成参数间复杂的协同与拮抗关系。机器学习通过多种算法融合，实现合成路径智能全局寻优，大幅缩短研发周期，助力碳点绿色功能材料开发。后续需构建多源异构数据集、引入迁移学习提升模型泛化性，建立兼顾性能、成本与环保的多目标优化框架，并结合物化机理增强模型可解释性（图7）。
图7. 借助机器学习解析碳点发光与荧光传感机制
4.4 机器学习推动碳点应用的发展
4.4.1 传感
传统合成与人工信号解析难以适配复杂检测场景，机器学习从材料逆向设计和信号智能解码两方面推动传感升级（图8）。在重金属离子检测上，可构建多通道传感阵列，抗干扰并实现水样多离子精准检测，还可结合便携设备实现现场快速检测。算法挖掘荧光特征，显著提升无接触测温精度，并实现宽范围pH抗干扰定量。碳点传感阵列结合机器学习，可免大型仪器完成细菌高精度分类与宽浓度检测。多通道荧光阵列联用线性判别分析，可同步筛查并定量分辨结构相似药物，支撑即时诊断应用。
图8. 机器学习辅助的碳点智能传感系统
4.4.2 光催化与能源转化
碳点催化性能受多因素复杂调控，传统试错研发低效，机器学习推动该领域迈向智能数字化研发（图9）。在绿色化工与清洁能源方面，算法可优化催化反应与光催化体系设计，但现有模型未考虑催化剂结构演变与失活；在光伏领域，机器学习结合实验模拟，为电池光管理层设计提供理论支撑。在污染物治理与塑料资源化中，机器学习联合理论计算可优化催化体系，引入SHAP分析还能提升模型可解释性，明确关键影响特征。
图9. 机器学习驱动的碳点在光催化与能源领域的应用
4.4.3 生物医学应用
碳点在生物医学体外检测、体内诊疗领域潜力巨大。传统合成与应用脱节研发效率低，机器学习正推动其迈向预测-设计-验证智能诊疗新模式（图10）。临床检测上，机器学习提升碳点探针信号解析能力，可精准检测疾病标志物并对肿瘤亚型智能分级。在癌症治疗与靶向给药中，碳点用作药物载体，结合机器学习优化制备工艺、通过SHAP分析解析关键因子，实现成像、靶向递送与光动力治疗协同。抗菌检测方面，碳点荧光阵列融合深度学习，可在复杂基质中精准分类并定量多种抗生素。生物成像领域，借助XGBoost可精准调控碳点荧光特性，定制适配细胞亚细胞高分辨成像的专用碳点。
图10. 机器学习辅助碳点在生物医学中的多元化应用场景
4.4.4 发光二极管
碳点是新一代LEDs荧光材料的优质选择，其性能受多因素复杂耦合调控，机器学习为其智能设计与性能预测提供新思路（图11）。相关模型可精准调控白光LEDs色温、预测器件电学特性，还能实现碳点材料跨场景复用、降低研发成本。当前领域存在数据源单一、模型可解释性弱、多局限于光致发光等问题。未来需融合多维数据、深挖内在机理，研发高性能电致发光碳点LEDs，通过机器学习逆向设计微型、柔性器件，助力商业化落地。
图11. 机器学习在碳点LEDs中的应用
4.4.5 信息防伪与高级加密
碳点发光特性受多因素调控，传统经验优化低效难复现，机器学习打破合成壁垒，推动防伪加密向时空多维智能化升级（图12）。机器学习的应用亮点的包括：定向合成多色碳点时引入溶剂物化性质，实现从经验寻优向机制化数据驱动转变。构建模型定制多色磷光，搭建动态加密系统提升防伪隐蔽性。结合卷积神经网络构建多维加密平台，提升信息安全级别。当前存在多维数据整合不足、机制与应用脱节的瓶颈，未来需聚焦多源数据整合、算法优化及智能系统构建，实现碳点按需设计与智能化制造，推动其在智能安全领域高可靠应用。
图12. 机器学习在碳点信息防伪中的应用
4.4.6 其它
碳点应用领域正借助机器学习向更多交叉领域拓展（图13）。机器学习可挖掘抗菌碳点合成条件、理化性质与抗菌性能的非线性关联，实现其快速筛选与性能预测。可解析甘蔗渣衍生碳点吸附剂对染料的吸附规律，为工业废水处理提供低成本方案。还可结合实验、密度泛函理论，助力环保型氮硫共掺杂碳点缓蚀剂的开发，并阐明其防腐蚀微观机理。
图13. 机器学习辅助碳点在更多交叉领域的拓展应用
4.5 结论与展望
机器学习可辅助碳点实验与信号解析，但尚未成为材料设计引擎，仅用于发光器件等场景的性能关联与参数优化，目前面临数据、机理、合成、应用全链条难题。要实现其向智能设计引擎的升级，需攻克四大核心挑战：
（1）打破数据孤岛：解决高质量标准化数据匮乏问题，借助大语言模型提取文献信息，构建开源结构化碳点专属大数据库；
（2）融合物理机制与数据驱动：将物理约束、化学先验知识注入模型，结合可解释性工具量化特征贡献度；
（3）前驱体导向逆向智能设计：引入量子化学描述符，从前驱体分子结构出发，实现全新发光材料逆向定制；
（4）智能化规模化绿色制造：结合连续流合成、实时监控与ML反馈控制，实现千克级量产，融合绿色工艺兼顾性能与环保。
（1）跨学科融合是突破碳点研发瓶颈的关键：机器学习与材料科学等多学科协同，推动研发经验驱动转向数据/智能驱动，提升效率。
（2）技术创新需平衡效率与机理：机器学习虽能加速研发，但需深耕底层理化机制，才能发挥长远价值。
（3）理性看待机器学习价值：正视机器学习数据、可解释性等瓶颈，聚焦攻关才能推动技术成熟。
朱亮，博士，教授，博导，江苏省“双创”博士后，加拿大西安大略大学访问学者，天津科技大学工业结晶与颗粒过程研究室副主任。主要从事晶体材料功能调控、连续结晶过程开发、高纯石英材料制备、碳量子点材料设计与应用等方面的研究工作。近年来主持和参与国家自然科学基金、天津市自然科学基金、教育部博士点基金十余项。与国内三十余家企业建立了科研合作关系，并完成了校企合作项目七十余项，其中百万级项目三项。并发表相关学术论文六十余篇，其中SCI收录五十余篇。授权发明专利二十余项。
赵晓昱，博士，教授，博导。天津市131创新型人才第二层次，天津市中青年骨干创新人才，新加坡科技设计大学访问学者。面向资源，能源和环境问题，从事电化学分离技术；工业结晶；海卤水资源综合利用等科研工作。主持国家自然科学基金，天津市自然科学基金重点项目/面上项目，博士后基金特别资助/面上项目等20余项。连续入选全球前2%顶尖科学家，中国30位高校专利转化运用杰出人才等。
申书蝶，目前在天津科技大学化工与材料学院攻读博士学位。研究聚焦于为机器学习辅助碳点合成及发光机制的研究。
Shudie Shen, Leilei Zhang, Linquan Gan, Tao Li, Wenli Zhao, Yanfei Wang, Liang Zhu, Xiaoyu Zhao, Machine Learning for Carbon Dots: Capabilities, Limitations, and the Path Toward Rational Design, Adv. Powder Mater. 5(2026)100431. https://doi.org/10.1016/j.apmate.2026.100431
点击下方链接或文末“阅读原文”下载原文：
100431-main.pdf
Machine learning assisted quality control in metal additive manufacturing: a review
Rapid synthesis of carbon quantum dot-integrated metal–organic framework nanosheets via electron beam irradiation for selective 5-hydroxymethylfurfural electrooxidation
Machine learning application in thermal CO2 hydrogenation: catalyst design, process optimization, and mechanism insights
中文导读(点击标题进入阅读)：
机器学习在热催化CO₂加氢中的应用：催化剂设计、过程优化与机理研究
Machine learning-driven insights into the microstructure and properties of high-entropy alloys
中文导读(点击标题进入阅读)：
机器学习驱动的高熵合金微观结构与性能研究进展
Emerging of carbon quantum dots-based powder materials for photocatalytic environmental remediation and chemical production
Advanced Powder Materials（先进粉体材料（英文））创刊于2022年1月，由中南大学与KeAi合作创办，粉末冶金全国重点实验室和粉末冶金国家工程研究中心承办的粉体材料领域的学术期刊。主编是黄伯云院士和Chain-Tsuan Liu院士。致力于发表国内外粉体材料领域及其交叉学科具有原创性和重要性的最新研究成果。入选“中国科技期刊卓越行动计划”和“湖南省培育世界一流湘版科技期刊建设工程”高起点新刊项目，获评高校英文期刊优秀案例。
l 高效、双盲、严格
l IF：24.9; CiteScore: 46.4
l 获得奖项：
