合成器：具有化学感知能力的机器学习技术，用于精确控制纳米晶体的生长

《Advanced Materials》：Synthesizer: Chemistry-Aware Machine Learning for Precision Control of Nanocrystal Growth

纳米晶合成优化框架 Synthesizer 基于高斯过程回归与贝叶斯优化，结合化学感知分子编码，实现 CsPbBr3 纳米晶在常温常压下对发射波长（430-520 nm）、线宽（70-180 meV）及量子产率（15-70%）的多目标协同优化。抗溶剂比例（as/PbBr2）被揭示为关键调控参数，其几何编码显著提升模型泛化能力。该方法验证了跨化学空间（甲醇/环戊烷酮）的迁移学习能力，并成功扩展至 CsPbI3 系统的波长调控（583-695 nm）。研究建立表面缺陷密度与量子产率关联模型，提出非表面八面体比例与线宽优化的量化关系，为新型纳米材料设计提供可扩展的机器学习平台。

　　本研究提出了一种全新的机器学习指导框架，名为“Synthesizer”，用于精确且可重复地调控纳米晶体的合成。纳米晶体在光学性质方面的可调性是开发新型光电子材料的关键，然而，在卤化物钙钛矿中实现这种调控一直是一个挑战。传统的合成方法通常依赖于经验性策略，且难以在复杂参数空间中实现高效优化。而“Synthesizer”通过结合高斯过程回归（GPR）和贝叶斯优化（BO）技术，引入了具有化学意义的分子编码以及系统性的特征工程，使得在常规实验条件下，能够实现对纳米晶体光学特性的精确控制。该方法不依赖于新的算法，而是将可解释的机器学习工具转化为一种实用的实验平台，用于在开放环境中优化纳米晶体的性能。

“Synthesizer”框架的构建基于对合成参数和目标光学特性之间的系统性理解。在实验中，研究人员使用了铯铅溴化物（CsPbBr?）作为模型系统，通过调控前驱体比例和抗溶剂的种类与用量，实现了纳米米级的光致发光（PL）峰值波长调控（430 nm 至 520 nm），并获得了非常窄的光谱线宽（最低达到70 meV）。这些结果不仅展示了纳米晶体的高光致发光量子产率（PLQY），还揭示了表面陷阱密度与光致发光性能之间的强相关性。通过在多个抗溶剂体系中进行系统性参数映射，研究人员识别了抗溶剂与前驱体的比值这一被忽视的关键参数，从而为抗溶剂加速纳米晶体生长提供了定量依据。

“Synthesizer”不仅适用于CsPbBr?纳米晶体的优化，还被验证在不同化学体系中的泛化能力，包括醇类和环戊酮（CyPen）。实验结果表明，该框架可以推广到其他材料系统，如CsPbI?纳米晶体，其光谱范围涵盖了橙色到深红色区域。此外，通过调整合成参数，如反应温度、配体系统和抗溶剂种类，可以进一步优化纳米晶体的几何形状，从而提升光谱的纯度和发射效率。这些成果表明，“Synthesizer”是一个具备广泛应用潜力的合成优化平台，能够实现高效、可预测的材料发现过程。

在方法论上，“Synthesizer”框架的核心在于构建一个低维的参数空间，通过几何编码和特征工程，将复杂的合成过程转化为可建模的化学变量。实验中，研究人员通过多步筛选流程，对初始数据集进行了降维处理，排除了非发光样品和多峰样品，最终保留了具有代表性的数据点。这些数据点用于训练高斯过程回归模型，以预测纳米晶体的PL峰值波长、光谱线宽和PLQY。通过使用指数核函数，模型能够捕捉到合成数据中的短距离依赖关系，从而在低数据量条件下实现高精度预测。同时，为了防止模型在稀疏数据区域过拟合，引入了抗溶剂独立的基线数据集，为模型的边界约束提供了支持。

为了验证“Synthesizer”的泛化能力，研究人员对特定抗溶剂进行了排除实验，测试了模型在未见抗溶剂情况下的预测准确性。结果表明，模型在经过一定数量的实验后，能够以较低的误差范围（±5 nm）准确预测PL峰值波长和光谱线宽。此外，通过比较不同抗溶剂对PL线宽的影响，研究人员发现，抗溶剂的分子结构对其调控能力有重要影响。例如，线性醇类抗溶剂（如MeOH、EtOH、i-PrOH和n-BuOH）在PL线宽调控方面表现良好，而环状酮类抗溶剂（如CyPen）则在特定波长范围内表现出更高的稳定性。这种差异可以归因于抗溶剂的极性、偶极矩和汉森溶解度参数的差异，这些因素影响了纳米晶体的生长过程。

在PLQY优化方面，研究人员发现，纳米晶体的PLQY与其表面体积比密切相关。通过控制纳米晶体的表面缺陷密度，可以显著提高其光致发光效率。实验中，研究人员利用透射电子显微镜（TEM）和小角X射线散射（SAXS）技术，对纳米晶体的尺寸和形状进行了分析，确认了不同厚度的纳米晶体具有不同的表面结构。例如，2ML（两层）和3ML（三层）纳米片具有较高的非表面八面体比例，从而减少了表面缺陷对光致发光效率的影响。此外，研究人员还发现，当使用抗溶剂时，纳米晶体的尺寸分布更加均匀，从而进一步提升了光谱的纯度和发射效率。

“Synthesizer”框架不仅实现了对PL峰值波长、光谱线宽和PLQY的联合优化，还为未来的研究提供了新的思路。通过将抗溶剂的分子几何信息纳入模型，研究人员能够更准确地预测不同抗溶剂对纳米晶体性能的影响。这种编码方法避免了对复杂分子指纹或物理化学描述符的依赖，同时保持了模型的灵活性和泛化能力。此外，通过将实验数据与理论模型相结合，研究人员进一步验证了抗溶剂对纳米晶体生长的调控作用，并揭示了其与表面缺陷密度之间的定量关系。

在应用层面，“Synthesizer”不仅适用于CsPbBr?纳米晶体，还被成功扩展到CsPbI?纳米晶体的合成中。通过调整前驱体比例和抗溶剂种类，研究人员实现了对CsPbI?纳米晶体的PL峰值波长和光谱线宽的优化，并验证了其在橙色到深红色光谱范围内的性能。这些结果表明，“Synthesizer”具有广泛的应用前景，不仅限于卤化物钙钛矿体系，还可以推广到其他纳米晶体材料，如I–III–VI半导体量子点。这为未来的材料发现和优化提供了新的工具，使得研究者能够更高效地设计和调控纳米晶体的光学性能。

实验部分详细描述了纳米晶体的合成流程和表征方法。前驱体的制备涉及铯碳酸盐（Cs?CO?）与油酸（OAc）和油胺（OAm）的反应，生成了稳定的Cs-oleate前驱体。铅的前驱体（如PbBr?和PbI?）则通过溶解在甲苯中制备，以确保反应的可控性和可重复性。合成过程中，通过调控抗溶剂的加入时间和种类，研究人员能够精确控制纳米晶体的尺寸和形状，从而实现光谱的窄化和发射效率的提升。最终，纳米晶体通过离心纯化，确保了其光学性能的稳定性。

在数据处理方面，研究人员利用光谱分析软件对PL数据进行了分类和分析。通过设定信号噪声比（SNR）阈值，确保了数据的高质量。同时，利用TEM和SAXS技术，研究人员对纳米晶体的尺寸和形状进行了表征，并结合软件工具对光谱进行了处理，以获得准确的PL峰值波长和线宽。这些数据为机器学习模型的训练提供了坚实的基础，并确保了模型预测的准确性。

此外，研究还探讨了“Synthesizer”框架的可扩展性。通过引入更多的合成变量，如温度、配体组成和反应动力学，该框架能够适应更复杂的材料体系。同时，研究人员还提出了一个开放的数据集和代码库，以促进跨领域的合作和应用。这一举措使得“Synthesizer”不仅成为一种高效的合成优化工具，也为未来的材料研究提供了新的平台。

总之，这项研究通过引入一种基于机器学习的合成优化框架，解决了纳米晶体合成过程中参数调控的难题，实现了对光谱特性的精确控制。该方法在实验条件下具有高度的可重复性和可扩展性，为未来的材料发现和应用提供了新的可能性。通过将机器学习与化学知识相结合，研究人员成功地构建了一个数据驱动的合成平台，使得在复杂化学体系中，能够实现高效、精准的材料设计和性能优化。这一成果不仅在卤化物钙钛矿体系中具有重要意义，也为其他类型的纳米晶体材料提供了新的研究方向和优化路径。