鲁东大学陈雪叶Nanoscale: 通过机器学习智能控制纳米颗粒合成

纳米颗粒的合成受许多反应条件的影响，其性质通常由其尺寸、形状和表面化学等因素决定。为了使合成的纳米颗粒具有适用于不同领域（如光学、电子学、传感器应用等）的功能，对其性能进行精确控制是必不可少的。然而，以目前在微反应器上制备纳米颗粒的技术，实现精确合成既费时又费力。

为此，鲁东大学陈雪叶教授等人综述了近年来采用微流体制备纳米颗粒的方法和原理，并描述了机器学习的实施步骤、功能及其在纳米技术中的应用。其中，机器学习辅助纳米颗粒合成的研究可以概括为两个主要领域：

（1）监督学习预测合成后纳米颗粒的特定光学、电子和传感特性。通过将反应条件作为输入变量及纳米颗粒特性作为输出目标，并选择不同的机器学习算法来构建二者的映射关系，能够精确地控制合成具有所需功能的纳米颗粒。

（2）在用于预测纳米颗粒的神经网络模型中，神经元数量和隐藏层数量等超参数对预测能力有直接影响。一方面，可以通过定义损失函数来对超参数进行贝叶斯优化，使预测模型更具权威性。另一方面，可以根据实验条件定义“不满意系数”。最后，可以迭代优化控制算法，直到优化结束并达到目标要求。

图1. 机器学习算法的主要步骤

目前，机器学习辅助的纳米颗粒合成也普遍存在一些问题。一方面，难以实现精确的合成控制，通过在线光谱仪收集纳米颗粒的发射光谱来表征纳米颗粒尺寸的方法引入了一些误差。另一方面，机器学习辅助合成纳米颗粒需要大量时间和精力投入。对此，作者认为：

（1）关于上述误差问题，采用傅里叶变换紫外光谱仪和红外光谱仪等设备来表征纳米颗粒的大小值得考虑；

（2）关于准确测量纳米颗粒尺寸的问题，可使用TEM在线获取纳米颗粒图像，并通过计算机处理图像的方法来确定其尺寸；

（3）关于上述时间成本问题，迁移学习可通过将训练好的模型参数迁移到新模型来帮助训练新模型，这可以大大降低训练模型的时间成本。尽管目前机器学习辅助制备纳米颗粒技术的不成熟意味着仍然存在许多挑战，但这并不妨碍其具备的新颖性和巨大研究潜力。

图2. 机器学习辅助金属纳米颗粒合成优化

Intelligent control of nanoparticle synthesis through machine learning, Nanoscale 2022. DOI: 10.1039/D2NR00124A

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/11/71d3acd904/