基于机器学习智能调控碳点合成以构建水中重金属离子高精度发光纳米传感器

《Molecules》：Intelligent Control of the Synthesis of Carbon Dots Used to Create a High-Precision Luminescent Nanosensor of Heavy Metal Ions in Water Using Machine Learning

　　

本文报道了解决“合成–性质–应用”问题的结果：确定以柠檬酸和乙二胺为前驱体水热合成碳点（carbon dots, CDs）的最优条件，以制备用于水中重金属盐Co(NO₃)₂和Cu(NO₃)₂定量分析且具有最高灵敏度的光致发光（photoluminescence, PL）纳米传感器。该问题分两个阶段解决。在第一阶段，研究人员使用机器学习方法评估根据碳点光致发光激发–发射矩阵（excitation–emission matrix, EEM）求解水中Cu²⁺和Co²⁺离子浓度逆问题的误差。平均求解误差（平均绝对误差，mean absolute error, MAE）对于Co²⁺为0.55 mM，对于Cu²⁺为0.62 mM。在第二阶段，通过分析所构建的离子浓度测定误差对碳点合成参数依赖性的近似模型，确定了具有对水中Co²⁺和Cu²⁺离子浓度变化最敏感的光致发光的碳点的最优合成条件。得到的参数为：前驱体比CA:EDA = 1:2，温度150–155 °C，反应时间210–230 min。研究表明，可有效作为纳米传感器测定水中Co²⁺和Cu²⁺阳离子浓度的碳点主要在水热合成第三阶段形成。关于所得最优合成条件的结论得到了实验验证。

碳点（carbon dots, CDs）是一类具有强而稳定发光、水分散性好、可掺杂和表面修饰的纳米碳颗粒，在光致发光（photoluminescence, PL）纳米传感器领域具有广阔前景。目前基于CDs的荧光传感器多采用“关断”检测，但实际水样通常含有多种金属离子，单通道探针存在交叉敏感性；已有阵列或多通道方法多在信号采集和处理阶段进行优化，而CDs本身通常是在经验选择的合成条件下制备的，针对特定离子分析精度来定制合成条件的研究仍几乎空白。因此，开展“合成–性质–应用”问题的研究，即通过机器学习方法确定最优水热合成条件，从而获得对目标重金属离子浓度变化最敏感的CDs发光纳米传感器，具有明确需求。

研究人员以柠檬酸（citric acid, CA）和乙二胺（ethylenediamine, EDA）为前驱体，水热合成了74种CDs，并以Co(NO₃)₂和Cu(NO₃)₂为目标重金属盐，构建光致发光纳米传感器。研究分两阶段进行：第一阶段使用机器学习方法求解由CDs的PL激发–发射矩阵（excitation–emission matrix, EEM）确定Co²⁺和Cu²⁺浓度的逆问题并评估误差；第二阶段构建离子浓度测定误差对合成条件依赖性的近似模型，进而确定最优合成条件。最终得到的最优条件为CA:EDA = 1:2、150–155 °C、210–230 min，且有效CDs主要在水热合成第三阶段形成；实验验证显示所得误差与模型估计非常接近。该研究证明了利用机器学习智能调控碳点合成以制备水中重金属离子高精度发光纳米传感器的可行性和有效性，为CDs的多功能应用提供了新思路。

关键技术方法：研究人员采用水热法合成74种CDs，前驱体为CA和EDA，合成参数涵盖CA:EDA比1:1–1:20、温度100–200°C、时间30–360 min。对每种CDs配制5 mg/L碳点溶液与0–6 mM梯度Co(NO₃)₂/Cu(NO₃)₂盐溶液，共7400个样品，测量PL EEM；数据按确定性方案划分训练集和测试集。第一阶段采用卷积神经网络（convolutional neural network, CNN）、多层感知器（multilayer perceptron, MLP）和多阶段迁移学习（TL_S-MLP）求解逆问题，同时用矩方法（method of moments, MM）压缩EEM特征后采用线性回归/梯度提升（linear regression/gradient boosting, LR/GB）建模。第二阶段以MAE为目标变量，用MLP构建MAE随合成条件变化的近似模型，据此分析最优合成区域。

研究结果如下。

2.1 样品表征：所有CDs稀释至5 mg/L后均为澄清无色溶液，pH为6.2–6.9；水合粒径分布几乎一致，峰值约0.67 nm，尾部延伸至1.5–3 nm，结合FTIR结果，认为该峰值对应分子发光体（推测为IPCA），尾部表明发光体被EDA和CA聚合物连接为稍大结构。zeta电位随前驱体比变化：CA:EDA = 1:1时约为?1.5 ± 1.6 mV，1:2时约为?4.1 ± 1.4 mV，更高比例约为?17 ± 3 mV。FTIR显示所有CDs表面基团基本一致，包括(C=O)-N、C=C、CH_x、OH、N=O和NO₂，仅1:1样品出现羧基C-O和C=O振动。这表明粒径相近但表面电荷和化学基团随合成条件改变。

2.2 碳点水溶液的光致发光光谱：在350 nm激发下，74种CDs的PL光谱差异明显，说明PL强烈依赖前驱体比、温度和时间，其中前驱体比影响最大。在Co(NO₃)₂和Cu(NO₃)₂存在下，CDs荧光发生显著猝灭；根据前期研究，类似CDs被金属离子猝灭时超过95%为动态猝灭，Fe³⁺情形存在内滤效应（inner filter effect, IFE），Cr³⁺情形则涉及IFE和与表面基团去质子化相关的静态猝灭。

2.3 机器学习方法在第一阶段的应用：误差评估。2.3.1 卷积神经网络：研究人员为每种CDs分别训练一个CNN，共74个，网络含两个卷积层、初始学习率0.001和正则化系数0.01，并基于测试集MAE选出对Co²⁺和Cu²⁺测定误差最小的网络。2.3.2 多层感知器及其迁移学习：研究人员分别在全数据集（L-MLP）、单类CDs数据集（S-MLP）和多阶段迁移学习（TL_NB_R、TL_NB_RTT、TL_S-MLP）下训练MLP。结果显示，多阶段迁移学习TL_S-MLP给出的最小、中位和平均误差总体最低且最稳定；全数据集训练的L-MLP误差最高，原因是不同CDs的PL谱差异与相同离子浓度之间存在数据不一致；仅用单类CDs数据训练的S-MLP可接受但精度低于迁移学习。最终，TL_S-MLP对部分CDs可将相对误差控制在10%以内。2.3.3 矩方法：研究人员将PL EEM用经典中心幂多项式基压缩为矩特征（最高总阶数23，对应300个特征），并训练线性回归和梯度提升模型，通过10折交叉验证为每种CDs选择最优模型；该方法也可获得较低的最小MAE。

2.4 第二阶段：构建MAE随碳点合成条件变化的近似模型。研究人员以CA:EDA比、温度和反应时间为输入，以第一阶段得到的MAE为目标，用单隐层8神经元的MLP构建近似模型，并将该模型应用于更密的合成参数网格，绘制MAE随合成条件变化的表面。表面图同时标注了实验点、高发光量子产率（luminescence quantum yield, LQY）区域和高积分PL强度区域。近似模型揭示的低MAE区域进一步用于确定最优合成条件。

讨论部分，研究人员对三种逆问题求解方法进行比较：LR/GB（MM）可获得最小最低MAE，但TL_S-MLP在全部CDs类型上的中位误差和平均误差更低，整体稳定性最好；CNN的中位和平均误差明显偏高。进一步分析最优合成区域发现：最佳MAE对应的CDs多数由CA:EDA = 1:2和1:4合成；对Co²⁺最佳CDs多在140°C以上并分布在整个时间范围；对Cu²⁺最佳CDs则集中在高温短时间或较低温度长时间两个区域。结合水热合成阶段研究：第1阶段为前驱体混合聚合且无荧光；第2阶段在120–130°C、120–150 min生成L₃₅₀发光体，LQY约98%，且CA:EDA = 1:2和1:4时生成量更多；第3阶段在温度升至160–170°C、时间240–290 min时继续生成发光体但开始碳化，LQY下降；第4阶段进一步升温延时会石墨化并减少L₃₅₀发光体。低MAE区域与第3阶段的边界相符，因此有效CDs纳米传感器主要在第3阶段形成。最终确定最优条件为CA:EDA = 1:2、150–155°C、210–230 min。实验验证中，研究人员按近似模型预测的最优点合成两类CDs（CD1：CA:EDA = 1:2、154°C、215 min；CD2：CA:EDA = 1:2、152°C、220 min），各合成3批，每批配制100个含盐溶液并求解逆问题；所得MAE与近似模型估计值非常接近，证实了方法的可靠性。

研究结论（翻译自原文Conclusions）：本研究考察了以柠檬酸和乙二胺为前驱体水热合成碳点的最优条件，以构建对水中Co(NO₃)₂和Cu(NO₃)₂阳离子定量分析最敏感的发光纳米传感器。离子浓度通过机器学习方法分析CDs PL EEM形状变化确定。问题分两阶段解决：第一阶段用机器学习方法评估逆问题误差，证明多阶段迁移学习（TL_S-MLP）是最有效的方法，平均误差Co²⁺为0.55 mM、Cu²⁺为0.62 mM；第二阶段通过近似模型确定最优合成条件为CA:EDA = 1:2、150–155°C、210–230 min，且有效CDs主要在水热合成第三阶段形成。实验验证与近似模型估计高度一致。因此，该研究展示了利用机器学习智能控制碳点合成以构建水中重金属离子发光纳米传感器的可行性和有效性，为碳点多功能应用创新提供了支撑。