《Journal of the American Chemical Society》：Machine Learning Optimization of Laser Ablation in Liquid for the Green and Low-Cost Synthesis of Clean Gold Nanoparticles
编辑推荐：
尽管金纳米颗粒(Au NPs)在现代技术中应用广泛，但其大规模合成仍面临成本与可持续性方面的挑战。此外，当要求最高纯度时，化学污染物成为一个问题，例如在生物医学、催化以及多种由纳米颗粒表面介导的过程中。激光液相烧蚀(LAL)是一种有前景的制备表面洁净Au NP
尽管金纳米颗粒(Au NPs)在现代技术中应用广泛，但其大规模合成仍面临成本与可持续性方面的挑战。此外，当要求最高纯度时，化学污染物成为一个问题，例如在生物医学、催化以及多种由纳米颗粒表面介导的过程中。激光液相烧蚀(LAL)是一种有前景的制备表面洁净Au NPs的技术，尽管其规模化生产能力尚未达到传统化学方法的水平。本研究中，研究人员利用机器学习(ML)优化了批量配置下合成5 nm Au NPs的LAL工艺。与之前的LAL记录相比，实现了投资特定生产率(ISP)提高3.4倍，同时初始投资仅为原来的1/18。这使得激光合成Au NPs比通过经典Turkevich–Frens法进行克级化学合成更“绿色”，且成本降低了四倍。此外，无需化学试剂且表面洁净的Au NPs表现出更好的细胞相容性、作为基质辅助激光解吸电离(MALDI)基质时的卓越性能、在还原硝基苯酚方面更高的催化活性、更高的表面硫醇覆盖度以及比商业同类产品更强的等离子体吸收。该研究突显了机器学习优化的LAL在低成本和环境可持续地生产具有通过湿化学路线无法实现的优良特性的金属纳米颗粒方面的积极前景。
金纳米颗粒(Au NPs)是最常见、研究最深入且应用最广泛的纳米技术之一，其美国市场价值超过10亿美元。这一成功源于其多种物理和化学性质，包括物理化学稳定性、生物相容性、存在局域表面等离子体共振(LSPR)、化学惰性与纳米颗粒表面欠配位Au原子的反应性相结合，以及在尺寸小至几纳米时仍保持金属性。然而，为满足当前工业趋势和需求，Au NPs的合成需要降低最终产品的成本，同时提高生产方法的可持续性。另一个关键方面是化学污染物的缺失，无论是在含有Au NPs的溶液中还是物理吸附/化学吸附在纳米颗粒表面，因为这会损害生物相容性和细胞相容性，干扰催化过程中底物的相互作用，或阻碍抗体或自组装单分子层等官能配体与表面金原子的结合。激光液相烧蚀多年来被公认是一种能够以可持续方式生产具有高纯度和生物相容性的Au NPs的方法。LAL包括将高通量激光脉冲聚焦在浸于纯水溶液（通常含有低浓度盐，例如100 μM NaCl）中的块状金靶材上以产生Au NPs。尽管系统简单（也可自动化和远程控制，同时最小化操作人员参与），但该合成的规模化能力仍是一个重大限制。事实上，已有大量研究旨在通过解决影响合成过程的各种因素来提高LAL合成Au NPs的生产率。同时，开发了过程验证和监测方案以满足美国食品药品监督管理局(FDA)和质量源于设计(QbD)框架的要求。目前，水中Au NPs的质量生产率(MP)记录为3.8 g/h，使用超快（<5 ps）、高功率（>100 W）激光器并具有快速扫描速度（>10 m/s）获得。然而，这是一套昂贵的装置，初始投资超过50万欧元，投资特定生产率(ISP，由MP与装置成本的比值给出)为5.7 mg/(h·k�)。最近使用较低投资获得了更好的ISP值，但高功率激光装置仍然非常昂贵，这在实验室层面以及扩大生产规模时都是一个问题。总体而言，LAL合成Au NPs在经济上仍不如采用Turkevich–Frens方法及其变体的水相化学合成。已经预测，当化学合成中包含离心步骤以从胶体溶液中去除过量反应物以避免纳米颗粒在合成后生长时，LAL与化学合成在MP为0.55 g/h时达到经济平衡点。另一方面，LAL不允许生产具有预定平均尺寸的纳米颗粒，并且多分散指数(PDI)通常高于0.25，尽管使用适当的盐环境可以常规生产单分散金属纳米颗粒。为了克服这些限制，人工智能（如今已渗透到科学和技术领域，包括在经验实验或理论建模未能提供足够创新的合成过程优化中）提供了一个新的视角。机器学习(ML)在催化中发挥着重要作用，例如，如在识别Au NPs在CO2还原反应中的活性位点所示，它显著减少了仅靠量子力学模型和实验验证工作量。关于金属纳米颗粒的合成，ML已被嵌入经典Turkevich–Frens Au NP合成的自主工作流中，整合了原位X射线光谱与高斯过程模型和贝叶斯优化，实现了闭环纳米颗粒合成和晶粒域尺寸及粒径的微调。化学领域通常可用的数据集很小，这一问题已通过随机森林ML模型和贝叶斯优化来解决，该模型从29个反应参数预测Cu纳米晶体的复杂形状（立方体、双锥体等）。尽管ML在纳米颗粒化学合成中的应用已有多个例子，但直到最近它才进入LAL领域，实现了具有预定成分的Cu纳米结构的合成。因此，ML与工业激光技术创新（特别是那些提供高输出可调性和低激光设备成本的创新）的结合在改善LAL合成Au NPs的竞争力方面存在许多前景，同时保留其在可持续性和纯度方面的优势。在此，研究人员在低商用光纤激光器（在脉冲持续时间、能量和重复频率方面具有宽可调性）制成的装置辅助下，利用ML优化了水相中5 nm Au NPs的LAL合成生产率。该过程在批量配置中实施，非常适合研究实验室环境和克级合成，同时允许直接放大到更大体积。最终程序使之前报道的ISP提高了3.4倍，同时在克级生产成本和环境可持续性方面也优于批量Turkevich–Frens合成。最重要的是，LAL生成的Au NPs无需化学试剂合成，具有本征清洁、无配体的表面。与商业基准相比，它们在多个正交读数上始终表现出优势，显示出增强的细胞相容性、作为MALDI基质的卓越性能、在还原4-硝基苯酚方面更高的催化活性、通过硫醇化分子增加的表面覆盖度以及更强的等离子体消光。该研究突显了ML优化的LAL在低成本和环境可持续地生产具有通过湿化学路线无法实现的优良特性的金属纳米颗粒方面的积极前景。
研究人员采用批量配置（图1A）进行激光合成Au NPs，将一块块状金靶材浸入装有2 × 10
-4 M NaCl的Milli-Q水溶液的玻璃容器中，并在全过程对溶液进行磁力搅拌。在LAL合成Au NPs过程中添加NaCl可增强其稳定性并促进单分散性。聚焦在靶材上的激光束由全光纤随机纳秒光纤激光器种子主振荡功率放大器(MOPA)产生，工作在近红外波段(1064 nm)，脉冲持续时间(10–250 ns)、重复频率(10–250 kHz)和输出功率(0.67–57.1 W)可调。最大输出功率非线性地依赖于脉冲持续时间和重复频率。另一个参数是激光束通过振镜光学扫描仪在靶材表面移动的扫描速度（最高8000 mm/s）。该速度必须超过最小阈值，以避免与烧蚀点形成的空化气泡重叠，从而避免衰减效应降低合成效率。为了确定Au NPs的生产率超曲面作为合成参数的函数，研究人员首先在实验装置允许的范围内对96种参数组合进行了经验映射。在此阶段，利用批量配置的灵活性，缩短了合成持续时间和溶液体积（1-3分钟，40毫升），以加速96种实验条件的经验映射。Au NP浓度根据文献中成熟的程序进行光度法定量，并通过电感耦合等离子体质谱(ICP-MS)验证。对生产率随不同合成参数的变化分析表明，其主要依赖于激光功率，因为在保持其他参数不变的情况下，只要功率最大化，生产率在所有情况下都会增加。然而，结果比单纯最大化功率要复杂得多，因为激光脉冲持续时间和重复频率也起着关键作用，其趋势无法通过蛮力试错经验研究预先预测。特别是，最佳性能是在脉冲持续时间为100 ns和重复频率为60 kHz时获得的。在这些条件下，扫描速度似乎影响有限，这与在更短和更长脉冲持续时间下观察到的情况相反。为了导航这个特别复杂的参数空间，并确定一个能够可靠指导选择与最大生产率相关的参数组合的模型，研究人员使用实验结果训练了一个人工神经网络(ANN，图1B)。为了增强模型性能，采用了贝叶斯优化结合交叉验证进行超参数调整，利用其能够基于R
2指标变化快速收敛到最优配置来优化ANN参数。ANN成为现有实验数据集上最准确的机器学习模型（训练集决定系数R
2 = 0.99，测试集R
2 = 0.92）。基于树的替代模型（如XGBoost）经过测试但被排除，因为其预测往往在稀疏的实验采样范围内趋于平台。ML模型的特征排名（图1C）证实了激光功率相对于其他参数的主导地位，其次是重复频率、脉冲持续时间，以及在较小程度上的扫描速度。ML模型的另一个优势是可以利用SHapley加法解释(SHAP)来提取关于不同参数对生产率作用的物理有意义的见解，即使在复杂场景中也是如此。SHAP图（图1C）清楚地显示激光功率与Au NP生产率正相关，而重复频率则负相关。脉冲持续时间在中间值时对生产率提供正贡献，而扫描速度也正相关。尽管可以从SHAP分析中提取更复杂的参数对之间的相互作用，但这留待讨论部分。在此阶段，通过ML驱动的数据增强从训练好的机器学习模型构建了一个预测器。ML模型用于映射扩展的可能合成参数组合矩阵（图1D），在100%激光功率和允许的最高速度8 m/s下运行。如3D参数空间的红色区域所示，最高纳米颗粒产率在100–200 ns激光脉冲持续时间、50–100 kHz重复频率以及40至50 W激光功率下实现。从该生产率超曲面中，发现Au NP合成的最佳区域位于110 ns、50 kHz、100%激光功率(55 W)和8000 mm s
-1，对应估计的理论输出为0.48 g·h
-1。该预测使用生成训练数据集的相同装置进行了实验验证，显示出比经验获得的最佳结果(0.35 ± 0.04 g·h
-1)提高了30%（0.46 ± 0.02 g·h
-1，图1E-F）。这类实验问题也适用于实验设计(DOE)方法。然而，基于DOE的预测相对于经验结果仅提高了11%（0.39 ± 0.04 g·h
-1，图1F）。此外，DOE无法像SHAP分析那样提供对单个参数作用的易于解释的物理见解。在用可用装置确定了最大生产率的条件后，研究人员在更大体积的批量（1.6 L）中进行了Au NP合成，代表了典型的实验室规模或初创公司水平的合成（图2A）。所得质量生产率(MP = 0.445 ± 0.005 g·h
-1，图2B)证实了训练实验中观察到的趋势。MP是针对所考虑的特定装置的绝对生产率指标，因此比文献中报道的激光器（功率和成本分别高出9倍和50倍）的记录低8.5倍。激光功率特定生产率(PSP，即按激光功率归一化，图2C)为9.84 ± 0.11 mg·h
-1·W
-1，超过了500 W装置报道的7.6 mg·h
-1·W
-1。然而，文献中报道的LAL Au NPs的最高PSP分别为：使用衍射光学系统结合功率和成本较低的激光器（分别为98.9 W和203.7 k�）获得的9.5 mg·h
-1·W
-1；使用500 W激光装置与多边形扫描器但在60 W下操作获得的21 mg·h
-1·W
-1；以及使用配备振镜扫描器的较便宜的纳秒激光器（242 ± 60 k�）在121 W下获得的18 mg·h
-1·W
-1。值得注意的是，此处的生产力归一化到合成装置所需的投资显著高于文献基准：此处ISP达到33.0 ± 0.4 mg·h
-1·k�
-1，比昂贵的最先进的系统高出6倍，比更新的基于衍射光学的低成本系统高出7倍，比使用纳秒激光器和振镜扫描器实现的创纪录ISP值高出3.4倍（图2D）。在大容量配置中通过LAL获得的Au NPs的紫外-可见吸收光谱在519 nm处具有局域表面等离子体共振(LSPR)带，这是球形颗粒的特征（图3A）。由于Au NPs是在仅含10
-4 M NaCl的Milli-Q水中生产的，没有任何额外的添加剂或化合物，因此金带间跃迁相关的光谱区域也可以清晰地观察到低至200 nm而无干扰。这是LAL来源Au NP的一个独特特征，与化学还原方法获得的纳米颗粒不相容。透射电子显微镜(TEM，图3B)证实了Au NPs的球形形态，表明平均粒径为5.6 ± 2.3 nm（PDI = 0.169）。通过TEM测量的尺寸分布（图3C）呈现与通过LAL形成纳米颗粒相关的典型对数正态形状，也包括一小部分较大的颗粒，这些颗粒源自从靶材喷射出的熔融金属液滴。Au NPs的小尺寸是所用装置的普遍结果，仅受合成参数的微弱影响，如训练数据集中平均Au NP尺寸的提琴图（图S5）所示，其显示中位数为5.0 nm，最大分布为± 1.3 nm。Au NPs具有面心立方(fcc)结构，并且明显是多晶的，每个纳米颗粒内的单个单晶畴之间存在多个晶界（图3D）。通过图3D中的线轮廓1和2确定了金特有的面间距，分别对应于fcc Au的(200)和(111)面间距。这通过HRTEM图像中红框区域的相关FFT图样（图3E）得到进一步证实，确定了fcc Au的(111)、(200)和(220)反射。根据分子动力学模拟，多晶结构源于靶材烧蚀后纳米颗粒的快速冷却，以及通过相爆炸和光机械机制从靶材喷射出的碎片的聚结。图3C中，作为对比，展示了商业柠檬酸盐稳定(CS)的Au NP样品（标称尺寸5 nm）的尺寸分布。对CS-Au NPs的TEM分析表明，实际粒径为3.6 ± 1.4 nm（PDI = 0.151），具有对数正态尺寸分布，证实了Turkevich–Frens法产生的样品具有多分散性，至少在这个小尺寸范围内略低于LAL Au NPs。动态光散射(DLS)和Z电位分析（图3F）也显示LAL (7.1 ± 2.1 nm, ?33 ± 10 mV)和CS Au NPs (9.0 ± 2.1 nm, ?38 ± 6 mV)具有可比的流体动力学尺寸和表面Z电位。CS Au NPs的流体动力学尺寸大于标称尺寸5 nm、费雷特尺寸3.6 nm以及LAL纳米颗粒的流体动力学尺寸，这可能归因于纳米颗粒形成了小簇。虽然CS Au NPs的负电荷源于吸附的柠檬酸根离子，但LAL Au NPs的负电荷则源于溶解在溶液中的NaCl吸附的Cl
-离子，以及激光烧蚀过程中水分解产生的吸附OH
-基团。当比较CS-Au NPs与LAL Au NPs（图3A）的吸收光谱时，出现了一个显著特征，即柠檬酸盐稳定样品的等离子体共振明显更弱。为了确定这种较低的LSPR是源于尺寸分布的差异还是不同的合成路线，研究人员通过选择性沉降对LAL样品进行了尺寸选择，分离出与商业样品尺寸分布相当的部分。该程序先前被构想为在没有额外溶质或稳定剂的情况下分选无化学物质的纳米颗粒。这部分LAL Au NPs（平均尺寸3.1 ± 1.1 nm，PDI = 0.126，低于CS NPs的0.151）的光谱仍显示出显著更强的LSPR（图3G），证实这种差异源于Au NPs的表面化学成分。在CS Au NPs中，尽管在颗粒表面仅实验检测到痕量的Au
δ+物种，但羧基的负电荷在金属中引入了极化效应。此外，X射线吸收近边结构(XANES)测量揭示了CS-Au NPs表面电子态的变化，表明结构无序、键距缩短以及存在未占据的d态。这些因素已知会导致LSPR的化学界面阻尼。吸附柠檬酸根离子的效应在LAL来源的Au NPs中不存在，因此它们保持了优越的等离子体特性，这对于未来的光热和光催化应用至关重要。作为进一步对照，向LAL来源的Au NPs中添加了柠檬酸盐缓冲液，导致等离子体共振适度增加和吸收带轻微展宽。该测试表明柠檬酸根离子与LAL Au NP表面的化学相互作用不同于在金离子还原过程中吸附在CS Au NP上的柠檬酸根离子。表面化学的差异可能导致在Au NPs的典型应用中产生进一步显著的特性和性能，特别是在与硫醇分子功能化方面。这一方面使用巯基十一烷酸(MUA)进行了测试，MUA是一种文献中常用于通过Au-S化学键探测Au NPs表面功能化的硫醇。两种类型Au NPs（LAL和CS）的紫外-可见分析（图4A）表明，在加入硫醇配体后，LAL Au NPs表现出更大的LSPR红移（5.0 ± 0.5 nm，而CS NPs为0.5 ± 0.5 nm）。该红移主要归因于Au NPs表面介电常数的增加，也可能反映了形成Au-S键引起的化学界面阻尼。通过X射线光电子能谱(XPS，图4B,C)进一步证实了Au NPs与MUA的表面功能化，显示LAL Au NPs的S/Au比为0.45，而CS Au NPs为0.26。该结果表明LAL Au NPs对硫醇分子的反应性高于CS NPs，可能是由于后者表面持续吸附了柠檬酸根分子。XPS数据支持这一假设，因为CS Au NPs的S:Na比为0.12，而LAL Au NPs为0.25。Na
+存在于CS Au NPs表面附近，作为吸附在整个中性金表面的柠檬酸根离子的反离子，这已通过实验观察和计算验证。调查还证实CS Au NPs比LAL Au NPs具有更多的O和C，这与吸附的柠檬酸根离子的存在相容。小型、洁净、无添加剂或稳定剂的Au NPs的可用性，是任何类型催化应用的理想条件。因此，两种类型Au NPs的催化活性通过使用模型催化还原4-硝基苯酚(4-NP)到4-氨基苯酚(4-AP)（在硼氢化钠(NaBH4)存在下）进行了评估。在NaBH4过量条件下，该反应遵循准一级动力学，便于确定活化能并能够对整体催化行为进行直接评估。为了在良好重现性条件下进行该实验，Au NPs在与基于SH官能化葡聚糖的聚合物支架混合后，通过离心进行定量沉淀。该程序去除了商业CS Au NP溶液中存在柠檬酸钠和其他添加剂，同时保持了与LAL样品相同的沉淀制备条件。结果表明LAL Au NPs具有显著更高的催化活性（图4D,E），4-NP在400 nm处的吸收持续降低，而4-AP在230 nm处增加。在LAL Au NP样品中，测得速率常数为3.32 ± 0.07 × 10
-2 min
-1（图4F），而CS样品为7.79 ± 0.06 × 10
-3 min
-1，相对于对照（速率常数3.4 ± 0.8 × 10
-4 min
-1，图S8）仍显示出可观的活性。值得注意的是，在许多情况下，激光生成的胶体比化学合成的类似物具有更高的缺陷密度，这一结构特征与更高的催化活性相关。LAL Au NPs也有几个晶界（图3），预计这有助于其催化活性。然而，CS Au NPs具有较小的平均尺寸（3.6 ± 1.4 nm）和比LAL Au NPs（5.6 ± 2.3 nm）更大的表面积体积比。在排除由不同合成方法产生的颗粒表面吸附污染物的情况下，预计该因素将导致CS样品具有更一致的催化活性。LAL Au NP表面的亲水性（也由于吸附的OH
-基团的存在）可能进一步促进极性分子（如4-NP）的吸附，有助于观察到的催化性能。LAL Au NPs的优越纯度在生物医学和分析应用中特别重要，因为即使是简单的污染物如柠檬酸钠也可能产生不良影响。例如，金属纳米颗粒已知可作为通过基质辅助激光解吸/电离(MALDI)进行分析物检测的基质。MALDI的一个显著限制是检测低质量分析物（<500 Da），因为标准有机基质会产生碎片干扰。使用低质量分析物（包括氨基酸L-精氨酸(MW 174.20)和L-天冬酰胺(MW 132.12)以及农药阿特拉津(MW 215.68)）测试了LAL和CS Au NPs在此应用中的性能。结果（图4G–I）展示了LAL Au NPs的良好性能，因为其基质相关峰可忽略不计且信号强度高。相比之下，CS Au NPs产生的信号微弱，不足以用作MALDI基质，即使使用透析膜达到文献报道的最佳浓度范围，也没有增加商业产品中存在的添加剂的摩尔浓度。作为参考，使用了α-氰基-4-羟基肉桂酸(HCCA)作为有机基质，因为它是MALDI质谱分析中的标准物，通常用于低分子量肽和小分子。然而，HCCA产生的信号要么弱于LAL Au NPs，要么伴有若干基质衍生峰。这对于明确的分析物鉴定是不理想的条件，而在LAL Au NPs的光谱中则有效缺失。最后，通过使用正常肺成纤维细胞(CCD34-Lu)和原代人脐静脉内皮细胞(HUVECs)孵育48小时，浓度最高达200 μg·mL
-1（图4J,K），评估了两种类型Au NPs的细胞相容性。与MALDI实验一样，为了达到胶体所需的起始浓度（2 mg·mL
-1），CS Au NPs通过透析浓缩，以避免增加稳定剂含量相对于原始商业产品。而LAL Au NPs使用标准DNA浓缩器浓缩至相同水平，无需产生透析消耗品的浪费，且所需劳动力可忽略不计。尽管对CS NPs的浓缩采取了预防措施，LAL Au NPs在两种细胞系中均表现出比CS Au NPs更高的细胞相容性。鉴于CS Au NPs通常被认为无毒，这一结果尤为重要，再次凸显了LAL Au NPs中溶液中或表面吸附的化学添加剂缺失的好处。对于CS Au NPs，金表面含有残留的四氯金酸盐、氯化物和氢氧根阴离子，以及柠檬酸盐氧化的副产物（二羧基丙酮和其他较小的中间体），这些已被证明对细胞健康有负面影响。此外，LAL Au NPs具有亲水性表面，并迅速被血清蛋白（如牛血清白蛋白）覆盖，这增强了其生物相容性。LAL的可扩展性有限仍然是其在纳米材料生产中广泛采用的主要障碍。在此，利用ML指导并从基于光纤激光器的低成本装置（发射1064 nm纳秒脉冲，脉冲持续时间、重复频率和功率可调，结合标准振镜光学系统并采用简单批量配置）出发，实现了LAL合成Au NPs的有史以来报道的最高ISP。即使是DOE方法也证明不如ANN模型通用。这强调了使用ML的重要性，它不仅通过导航复杂的合成参数超曲面来最大化生产率，而且通过SHAP分析提供了对不同实验参数作用的直接解释。除了预期的生产率与激光功率之间的正相关性外，SHAP还突出了与重复频率不太直观的负相关性，并确定了脉冲持续时间在100 ns左右的“最佳点”，这是在实验装置允许范围内的中间值。SHAP图（图S2）显示的复杂相关性是光纤激光器输出固有的输出功率和脉冲能量相互关联效应以及随后的与激光脉冲能量和激光屏蔽现象相关的机理效应的结果。生产率随单个参数或其对的趋势不足以阐明如此复杂的关系，或者在没有进行广泛、耗时且资源密集的试错实验工作的情况下，凭经验指导操作员达到最大输出。例如，在训练ML模型的实验数据集中，最高生产率并非在最大激光功率（图S1）或每个激光脉冲能量（图S9）时实现。此外，当查看数据集中每个脉冲持续时间的最大生产率条件时，发现激光脉冲能量在100 ns以上达到峰值（图S10A），并且这些峰值出现在低重复频率处（图S10B），而对于较短脉冲（10、20、30 ns），脉冲能量相对于重复频率是均匀的，仅在60 ns时适度增加。这些趋势是光纤激光器输出的固有特性（图5A），与LAL过程中的机理因素相互渗透，这些因素关键地取决于脉冲持续时间、重复频率和扫描速度，总体上决定了传递到靶材的能量比例与由于热耗散或激光束屏蔽而损失的比例。第一个因素是，对于长于金电子-声子弛豫时间（约1 ps）的脉冲持续时间，随着脉冲持续时间的增加，烧蚀效率降低，因为部分能量耗散到金属晶格（图5B）。热穿透深度在脉冲持续时间超过10 ns时大于1 μm，在110 ns时达到5 μm，在250 ns时超过8 μm（图S11），表明对于最长的脉冲持续时间存在显著的热损失。第二个因素是等离子体羽流的等离子体屏蔽，它在激光-物质相互作用开始后几纳秒内产生（图5C）。等离子体羽流可以吸收或散射入射激光束的最后部分，降低烧蚀效率。因此，对于持续时间为几百纳秒的脉冲，等离子体屏蔽尤为重要。第三个因素是在超过几百纳秒的时间尺度上形成的空化气泡，通过光散射减弱后续激光脉冲的强度。空化气泡是由于靶材附近液体的加热和汽化引起的，其尺寸和寿命受吸收的激光能量以及液体的物理和化学性质影响。只有当扫描速度相对于激光重复频率足够大时，才能绕过空化气泡。在ANN优化的条件下（50 kHz和8000 mm/s），脉冲间距离为160 μm，在250 kHz时仅为32 μm。第四个因素是由于烧蚀过程中形成的颗粒云和持续微泡（图5E），它们可以在靶材附近积聚，形成致密层散射或吸收激光，进一步减少穿透到靶材。该因素在高激光脉冲能量和低重复频率下更为相关。为了在实验数据集的不同条件下获得LAL的实验见解，在与LAL合成相同的条件下，在平坦的金板上进行了单脉冲激光烧蚀坑分析。参考实验数据集，该分析在10、20、30和60 ns脉冲持续时间（图S12A）的最高输出功率条件下进行，并在100和250 ns脉冲将其单脉冲能量设置为与20、30和60 ns系列相似的值时进行（图S12B）。实验还在最高生产率条件下使用100和250 ns脉冲进行（图S12C）。最后，也测试了110 ns脉冲在优化LAL配置下的ANN条件以及相当于20、30和60 ns系列的单脉冲能量（图S12B–C）。具有可比脉冲能量的系列显示，60 ns脉冲的烧蚀坑直径和深度大于100–250 ns（图S12D），这符合预期，因为热穿透深度随脉冲持续时间增加。然而，对于10、20、30和60 ns，由于在高重复频率下实现了最高功率，激光光斑接近且部分重叠。由于上述光散射和屏蔽现象，此条件不利于生产率。100、110和250 ns脉冲在最高生产率条件下的烧蚀坑尺寸一致更大（图S12E）。特别是，在经验数据集中，100 ns时的烧蚀坑直径和深度最大，这是生产率最高的条件，而在110 ns时（根据ANN预测的优化条件）烧蚀坑也最大。在250 ns时，尽管单脉冲能量更大，但烧蚀坑比100 ns时小，并且在烧蚀坑边缘观察到大部分材料（图S12A）。这归因于较长的脉冲持续时间和估计的8 μm热穿透深度。此外，对于250 ns脉冲，通过SEM（形貌测量，较大）和轮廓仪（深度剖面，较小，图S12E）测量的平均烧蚀坑直径存在显著差异。因此，ANN有效地从实验数据集中学习，并提供了对应于高功率和高脉冲能量之间最佳折衷（图S10A）的建议，同时限制了脉冲持续时间和重复频率，以最小化热耗散和屏蔽现象的干扰。值得注意的是，这无需进行单脉冲分析所需的显著、多技术、耗时的实验工作以及在数据集各实验条件下的相关解释，加上为通过经验最大化生产率而进行的条件精炼所需的所有预期迭代。根据通过SEM和轮廓仪测量的单脉冲激光光斑直径，110 ns优化LAL条件下的通量在50 ± 24 J/cm
2至67 ± 18 J/cm
2之间（图S12F）。该范围高于相爆炸的阈值，相爆炸阈值估计为110 ns脉冲的28 J/cm
2。考虑到高ISP，并且本研究的实验装置满足研究实验室或初创公司进行日常克级合成的典型要求，计算了资本支出(CAPEX)和运营支出(OPEX)以评估通过LAL生产Au NP的初始投资和稳态运营成本。分析使用表S4中报告的参数进行，假设每年250个工作日每天生产2 g Au NPs（实验室或初创公司规模），并与生产等效尺寸的CS Au NP的等量每日Turkevich–Frens批量程序（图6B和表S5）进行比较。选择Turkevich–Frens批量合成是因为它是生产Au NPs的常规方法。总CAPEX包括设备和安装的初始投资成本（应急费5%）。由于两种合成路线的实验装置成本相对较低，LAL合成仅比Turkevich–Frens高出10,000欧元。该CAPEX比基准高通量LAL系统低一个数量级。OPEX代表纳米颗粒合成系统的基于时间的经常性成本，包括能源消耗、劳动力成本、维护成本和消耗品成本，在固定运营期（1年）内考虑。LAL Au NPs的OPEX直接成本主要由块状金靶材主导（99%，图6A）。类似地，对于CS Au NPs，金盐前体是最昂贵的项目（71%）。事实上，金盐在金属质量相等时比块状金更贵，这导致了市售Au NPs的高价格（每毫克10-200美元）。玻璃器皿清洁用化学试剂也对直接成本有显著贡献（26%，图6B）。值得注意的是，对于这些化学试剂，采用了保守的假设，即使用水稀释的王水（10倍）和异丙醇（2倍）浓储备液，体积等于每个溶液的批量，并且仅对玻璃反应器进行一次清洗。在LAL的情况下，OPEX考虑了每次合成后使用Milli-Q水（体积相当于批量的五倍）进行超声清洗的程序。事实上，如果玻璃器皿在合成后立即用超声波清洗，LAL实验中未观察到永久性金沉积物形成，这是由于激光生成的胶体的稳定性以及从块状金属开始的合成路线（而不是通过金属盐的化学还原来形核和生长）的特点。LAL和CS Au NPs的OPEX间接成本均由人员费用驱动。然而，湿法化学合成所需的操作比LAL所需的操作要求高得多。特别是，Turkevich–Frens方法除了上述每次批量需要仔细清洗玻璃器皿外，还需要每天准备新鲜的试剂溶液。这些因素对于Turkevich–Frens方法的重现性和尺寸控制至关重要，尤其是对于5 nm的纳米颗粒，因为这是可实现尺寸的下限。LAL Au NPs生产所需的较低劳动力已经广泛补偿了第一年就已经较高的初始装置投资。尽管如此，对于CS Au NPs，直接成本（89%）主导间接成本（11%）。对于LAL Au NPs，间接成本占OPEX的34%，比CS Au NPs低76%，对应于180.3欧元/克的便捷Au NPs生产成本（图6C）。应该指出的是，废物处理成本未包括在最终OPEX计算中。这些成本主要与用于清洗玻璃器皿和实验室工具的溶液相关，难以量化，因为它们取决于事先未知的、特定于每个实验室的变量。然而，很明显，由于CS Au NPs合成中使用了酸和异丙醇进行确保合成重现性所需的严格玻璃器皿清洗，其废物处理成本明显更高。先前已经计算过，当MP超过0.55 g/h时，LAL比化学还原生产Au NPs更具优势，前提是化学合成中包含离心步骤以从胶体溶液中去除过量反应物以避免纳米颗粒在合成后生长。即使在化学还原程序中未包含离心步骤的情况下，由于ML应用于低成本工业光纤激光器的指导，本研究降低了盈亏平衡MP值。考虑到经济的CAPEX和优异的OPEX，通过串行复制LAL装置，将合成扩大到更高的生产量可以直接实现。与CS Au NP合成所需的最小成本相比，与LAL NP生产初始投资相关的直接成本仅高出116%，并且在第一年就被较低的OPEX所补偿。可持续性是当今大规模生产的另一个基本要求。使用文献中广泛采用的两个独立模型评估了合成的可持续性，即EcoScale和复合绿色分析程序指数(ComplexGAPI)。由于减少了化学试剂的使用和废物产生，LAL合成Au NPs的可持续性评分高于Turkevich–Frens路线，后者由于其简单性和在水介质中操作通常被认为是相对绿色的过程。LAL Au NPs的EcoScale值为89，而CS Au NPs为85，理想绿色过程的评分为100（图6D和表S6）。在两种情况下，黄金开采都会影响环境评分，而CS Au NPs额外的化学试剂会进一步降低评分。ComplexGAPI图表针对给定化合物的制备部分，提供了一个采用四级颜色编码（从白色到绿色、黄色和红色）的图表，分别识别过程的无、低、中和高环境影响。因此，图表（图6E,F和表S7）直观地识别了LAL与Turkevich–Frens批量方法相比的明显可持续性优势。主要原因是LAL仅使用含有2·10
-4 M NaCl的水和块状金，而化学还原依赖于被归类为中等毒性和腐蚀性的氯金酸。值得注意的是，化学还原合成中玻璃器皿清洁所需的酸和异丙醇未纳入绿色指标的合成评估中。然而，这些化学试剂进入了E因子（图6D），即废物质量与所需产品质量之比（通常不包括水）。使用额外的化学试剂或非水溶剂（如种子生长或两相程序所需）将不可避免地使基于金盐的化学还原路线与LAL相比的可持续性平衡恶化。相反，LAL方法的可持续性补充了所得Au NPs的本征纯度，这是前一部分（图4）所证明的优越性能的根源。对绿色、经济且产生表面清洁纳米颗粒的Au NP合成程序的需求很高。在此，研究人员利用ML优化了水相中5 nm Au NPs的LAL合成生产率，从而克服了该技术在ISP和初始投资方面的先前瓶颈。该装置由低成本商用光纤激光器（具有宽可调性）构成，采用批量配置，非常适合研究实验室环境和日常克级合成，同时兼容线性放大到更大的生产规模。最终程序使之前报道的ISP提高了3.4倍，同时在环境可持续性方面也优于批量Turkevich–Frens合成，并实现了4.2倍的生产成本降低。最重要的是，LAL生成的Au NPs无需化学试剂且表面清洁，这解释了其在细胞相容性、用作MALDI基质时的分析物检测、还原4-NP的催化活性、表面硫醇覆盖度以及等离子体吸收强度方面优于通过Turkevich–Frens合成的等效商业纳米颗粒的性能。这一成果鼓励使用ML指导来解决持续存在的LAL挑战，同时也通过纳入溶解电解质、激光波长和多光子吸收的影响，或开发物理信息AI方法来扩展该方法。同时，这项工作突显了ML优化的LAL在低成本和环境可持续地生产其他贵金属及其合金纳米颗粒方面的积极前景，这些纳米颗粒在表面清洁度和纯度方面具有湿化学路线无法实现的优良特性。研究人员进行LAL合成所用的装置为：商用光纤激光器P60MX（Raycus Fiber Laser Technologies）、振镜扫描器Basicube10（Scanlab）、磁力搅拌器（Microstirrer, Velp）、紫外-可见分光光度计（JASCO V770）、便携式光谱仪（Avantes AvaSpec-ULS2048CL-EVO）、透射电子显微镜（FEI Tecnai G2 12和STEM JEOL JEM F200）、扫描电子显微镜（Zeiss Sigma HD）、轮廓仪（KLA-Tencor P-17）、Malvern Zetasizer Nano ZS、X射线光电子能谱仪（Al Kα辐射）、基质辅助激光解吸电离飞行时间质谱仪（Bruker Ultraflextreme TOF/TOF）、微孔板读数器（Tecan Spark）。实验使用的人细胞系包括：人脐静脉内皮细胞(HUVECs，来源ATCC)和正常人肺成纤维细胞(CCD-34Lu，来源ATCC)。试剂包括：Au靶材（99.99%纯金）、NaCl（Fluka）、MUA（Sigma-Aldrich）、4-硝基苯酚(Sigma-Aldrich)、硼氢化钠(Sigma-Aldrich)、葡聚糖-SH（HAworks）、HCCA（Sigma-Aldrich）、L-精氨酸、L-天冬酰胺、阿特拉津（Sigma-Aldrich）。数据分析使用Python的scikit-learn (v1.3.2)进行ANN回归分析，使用SHAP包进行模型解释，使用JMP Pro软件进行DOE回归分析，使用GraphPad Prism 10分析细胞毒性数据，使用ImageJ软件分析TEM图像，使用FlexControl (v3.4)软件分析MALDI数据。
