機器學習輔助納米粒子合成 登上影響因子高達66.308的Nature子刊

【背景介紹】

納米粒子是一種具有一個或多個特征尺寸的粒子，其尺寸范圍為1-100 nm。單個納米粒子和納米粒子集合體在催化、熱電、光伏、太陽能電池制造和制藥等領域有著廣泛的應用。顯著特征是電子、光學、磁性或催化性能取決于它們的尺寸、形狀和表面化學性質，不同于具有相同組成的宏觀對應物。為了精確制備納米粒子的尺寸、形貌和表面化學性質，必須對其合成進行控制。然而，納米粒子的合成往往涉及多個試劑和相互依賴的實驗條件，使得精確合成納米粒子具有挑戰性。此外，在反應混合物中引入試劑的順序也起著重要作用。因此，需要更有效和可控的方法來合成具有特定性質的納米粒子。

機器學習（ML）是人工智能的一個分支，它使用計算機算法來推斷數學模型，這些模型可以直接從獲取的數據中執行某些任務，而不是基于既定的物理定律。ML模型可以利用大量的數據為所需化合物建立復雜的結構-性質和組成-性質關系，或者生成新的分子和材料。此外，ML可以用來指導數據的收集，從而得到最有用的實驗。因此，ML提供了一個強大的工具來加速開發有效的納米粒子合成方案，并有可能用于合成具有復雜性質的新型納米粒子。

【成果簡介】

近日，加拿大多倫多大學Eugenia Kumacheva和Alán Aspuru-Guzik（共同通訊作者）等人報道了一篇關于機器學習（ML）輔助納米粒子合成的最新綜述。在文中，作者首先討論了ML輔助合成納米粒子的最新進展。然后，作者描述了可用于納米粒子合成的ML算法，并且介紹了收集用于分析的大數據集的關鍵方法。最后，作者們討論并總結了ML指導的半導體、金屬、碳基和聚合物納米粒子的合成，并且對未來研究方向的進行了展望。研究成果以題為“Nanoparticle synthesis assisted by machine learning”發布在國際著名期刊Nature Reviews Materials上。

【圖文解讀】

圖一、納米粒子合成中的ML算法
（a）納米粒子合成中的ML任務；

（b）基于樹、實例和深度學習可用于預測納米粒子特性的ML算法；

（c）玩具示例展示了每個算法類背后的核心操作。

圖二、與ML算法集成的自主機器人和微流體合成中的數據集生成
（a）機器人或微流體平臺可用于高通量納米粒子合成；

（b）隨后的表征可以通過獲取吸收光譜或透射電子顯微鏡（TEM）成像來實現；

（c）條件屬性數據集作為ML算法的輸入提供，用于預測或實驗計劃。

圖三、預測反應條件與半導體納米粒子性質的關系
（a）從神經網絡模型獲得CdSe QDs的反應條件-量子產率景觀的代表性3D圖；

（b）基于支持向量機模型繪制的配體鏈長度-配體濃度坐標中的CsPbBr₃納米石墨片在82 °C和150 °C下的生長模式圖。

圖四、半導體納米粒子合成的實驗規劃
（a）用于合成具有高圓二色性（CD）信號的CsPbBr₃納米粒子的2D參數平面；

（b）比較系統篩選與貝葉斯優化算法在相同數量的測量后對680 nm的目標光致發光峰值的波長；

（c）最佳目標函數Z值，繪制為四個基于集成神經網絡（NNE）的貝葉斯方法、SNOBFIT和協方差矩陣自適應進化策略（CMA-ES）的實驗數量的函數。

圖五、金屬納米粒子合成的實驗規劃
（a）從種子進化而來的Au納米粒子的適應度函數、紫外-可見光譜和透射電子顯微鏡圖像；

（b）貝葉斯優化和深度學習建議的Ag納米粒子合成的損失。

【總結與展望】

綜上所述，ML輔助納米粒子合成的進展極大地加速了試劑和反應條件的最有效組合的鑒定，以生成具有不同特性的納米粒子。但是ML不應取代獲得對納米粒子的反應機制和結構特性關系的基本理解。ML輔助納米粒子合成的真正創新是合成具有出乎意料的結構、組成、形狀和/或結構特性關系的納米粒子，但這些關系尚未報道。通過擴展用于納米粒子合成的實驗規劃算法庫可以解決前述問題。

目前，ML輔助納米粒子合成主要是在加速現有合成程序的識別和優化，使這些過程更節能、更少勞動密集型和更具成本效益。要實現ML和納米材料合成的有效整合，仍有許多挑戰需要解決。同時，沒有單一的實驗規劃算法可以保證優于其他算法，特定算法的選擇可能并不總是最優的。對于實驗規劃算法，需要人工決定，通常不可能直接測量感興趣的屬性，因此必須同時考慮多個屬性。ML模型可能會提供準確的預測，但可能不清楚算法如何得出預測。

由于有許多結果以不同的格式提供，收集實驗數據以構建特定的ML模型也帶來了挑戰。開發全自動ML輔助納米粒子合成的技術挑戰與自動化、樣品制備和納米顆粒表征的能力有限有關。納米粒子合成的某些階段很難實現自動化，原位納米顆粒表征也具有挑戰性。微流體納米粒子合成的優勢，在常規實驗中可能無法保持，并會導致納米粒子成核和生長速率的差異，而導致不同的納米粒子尺寸和大小分布。通過有效地規劃實驗和建立穩健的預測模型，ML將使科學家們從日常勞動密集型合成中解放出來，并使他們能夠更多地關注納米粒子形成的基礎研究，以了解它們的特性并拓寬納米粒子的應用范圍。

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

本文由CQR編譯。

歡迎大家到材料人宣傳科技成果并對文獻進行深入解讀，投稿郵箱：tougao@cailiaoren.com.

投稿以及內容合作可加編輯微信：cailiaokefu.