数据驱动的银纳米颗粒合成机器学习优化：基于高斯过程回归的逆向设计框架

《Nanoscale Advances》：Data-driven machine learning optimisation of silver nanoparticle synthesisOpen Access

　　

银纳米颗粒（Ag-NP）尺寸的精确控制对特定应用性能至关重要，然而确定最优合成条件仍依赖试错实验。研究人员报道了一个机器学习逆向设计框架，该框架基于合并了间歇式和连续流反应器配置的实验数据集进行训练。研究评估了五种回归算法作为候选代理模型，其中高斯过程（Gaussian process, GP）回归表现最佳（决定系数R² = 0.91，交叉验证得分 = 0.80）。采用随机采样策略探索参数空间，以识别能够实现用户定义目标Ag-NP流体动力学直径的合成条件。为区分多个可行解，研究人员实现了一个复合候选评分函数，根据误差、估计的Ag-NP分散度和后验不确定性对合成条件进行排序。该框架在覆盖20–70 nm目标尺寸范围的21项逆向设计预测中得到了验证，间歇式和流式反应器的平均尺寸误差分别为3.4%和7.4%。总体而言，这项工作建立了一个经实验验证的逆向设计框架，能够通过柠檬酸盐和单宁酸介导的硝酸银还原，识别达到目标Ag-NP流体动力学直径的合成条件。

研究背景与问题：银纳米颗粒（Ag-NP）因尺寸依赖的物理化学性质，在催化、能源存储及表面增强拉曼散射等应用中日益重要。合成条件强烈影响粒径、形貌和胶体稳定性，但这些参数相互关联并同时影响成核与生长，使精确、可重现的粒径控制十分困难。现有银纳米颗粒机器学习研究多聚焦于正向预测，逆向设计报道极少；金纳米颗粒逆向设计又依赖自动化平台与原位表征，难以在常规实验室条件下推广。因此，研究人员旨在构建一个基于有限、非结构化实验数据，可在间歇与连续流反应器中实现目标Ag-NP流体动力学直径逆向设计的框架。

研究内容与总体结论：研究人员通过柠檬酸钠（SC）和单宁酸（TA）还原硝酸银，在间歇和流动反应器中合成Ag-NP，构建了119个数据点的数据集；评估五种回归算法后，选择高斯过程（Gaussian process, GP）回归作为最优代理模型；随后采用随机采样与复合评分函数实现逆向设计，并通过21次实际合成验证。结果表明，间歇与流动反应器预测平均误差分别为3.4%和7.4%，证明该框架能基于有限数据准确识别目标粒径的合成条件，减少试错成本，推动数据驱动材料设计。

关键技术方法：研究采用的主要方法包括：合并间歇与流动反应器数据并以反应器构型作为二元特征；使用皮尔逊相关与置换重要性分析特征；训练一阶、二阶多项式多元线性回归、随机森林（RF）、极端梯度提升（XGBoost）和GP五种模型，并用随机划分与5折交叉验证调优；逆向设计阶段随机采样500,000候选参数集，利用GP预测和后验不确定性，结合k近邻（kNN，k=1）估计多分散指数（PDI），通过复合评分函数排序；动力学分析采用Finke–Watzky（F–W）两步模型拟合紫外-可见光谱监测的表面等离子共振（SPR）数据；产物表征使用动态光散射（DLS）、紫外-可见光谱和透射电镜（TEM）。数据集由研究人员自建，含间歇61个、流动58个条件；另采用文献数据用于外部验证。

研究结果：

3.1 纳米颗粒库的生成与表征：研究人员在两种反应器中合成了水动力直径22–70 nm的Ag-NP，TEM显示小尺寸样品呈准球形，而Q4（56–70 nm）区间出现非球形和刻面形貌，DLS的Z-average与TEM直径的差异源于DLS对球形颗粒的假设。合并两种反应器数据扩大了化学空间，在Q2–Q4区间等同条件下两种反应器所得粒径差仅2–4 nm，但在Q1（20–32 nm）区间因还原时间与混合时间相当而出现平台差异。

3.2 相关性分析：相关矩阵显示多数变量间为弱至中等相关，主要反映实验设计约束而非因果关系；置换重要性分析表明[SC]_rxn和[TA]_rxn是粒径的主导因素，[Ag]_rxn影响较低，反应器构型重要性最低，且与温度和[Ag]_rxn存在混杂。

3.3 回归模型性能：在留出测试集上，GP模型表现最优（R² = 0.91，交叉验证得分0.80，RMSE = 3.87 nm，MAE = 3.35 nm，MAPE = 8.43%），XGBoost次之；二阶多项式多元线性回归与RF相当，表明合成空间中存在显著的二次相互作用。合并数据集训练的GP优于单独批次或流动数据训练的模型，支持数据合并策略。

3.4 动力学合理性解释：通过F–W两步模型拟合动力学曲线，k2[A]/k1比值可反映成核与自催化生长的相对主导。增加[TA]_rxn会通过络合作用抑制成核并促进表面生长，导致粒径增大；增加[SC]_rxn则加快成核，使粒径减小。偏依赖图（PDP）显示温度仅在自催化生长占优的条件下显著影响粒径。

3.5 训练前向模型的外部验证：利用Bastús等、Cheng等和Ranoszek-Soliwoda等发表的独立数据测试GP模型，在训练化学空间内的预测趋势与实验一致；但在高[TA]_rxn、高[SC]_rxn等超出训练范围条件下出现较大偏差，模型也仅限于SC和TA还原硝酸银的体系。

3.6 基于代理模型的优化：研究人员从参数空间随机采样500,000个候选，以预测误差、kNN估计PDI和GP后验不确定性组成的复合评分函数排序，选出最优条件。21次逆向设计预测中，间歇反应器平均误差3.4%，流动反应器7.4%；多数预测的PDI < 0.15，三重复实验的相对标准偏差在间歇和流动反应器中分别为3.5%和2.3%。Q1区间流动反应器误差较大，归因于快速还原条件下混合限制的影响。

讨论与结论：讨论部分指出，kNN估计PDI受训练数据覆盖限制，且单邻居方式会直接继承测量噪声；大于60 nm时颗粒形貌因素也会干扰水动力直径。未来可引入局域表面等离子共振峰位置和半峰宽（FWHM）作为额外描述符，并通过区域化权重和主动学习提高框架稳健性。研究结论翻译为：精确合成可控尺寸Ag-NP对应用性能至关重要，但最优条件确定仍依赖试错。本文在间歇和流动反应器中通过柠檬酸盐和单宁酸还原硝酸银合成了119个条件的数据集，评估五种回归算法后，GP模型表现最佳（交叉验证得分0.80）。两阶段逆向设计框架经21次预测验证，间歇和流动反应器平均尺寸误差分别为3.4%和7.4%。该框架能利用有限实验数据准确预测目标Ag-NP流体动力学直径的合成条件，减少试错依赖，加速纳米材料开发，并支持机器学习驱动的材料设计工作流。