利用基于云的自动化平台，对用于铜纳米簇合成的机器学习模型进行跨实验室验证

《Digital Discovery》：Cross-laboratory validation of machine learning models for copper nanocluster synthesis using cloud-based automated platforms

本研究通过自动化远程合成平台结合机器学习，成功预测铜纳米簇（CuNCs）的合成效果。使用拉丁超立方采样设计实验，训练了线性回归、决策树等模型，在仅40个样本的情况下，决策树模型的决定系数（R2）达0.853，RMSE为0.118。跨实验室验证显示，合成参数在Emerald Cloud Lab和CMU实验室间具有良好可重复性，证实了方法的有效性和普适性。

　　在材料科学领域，机器学习（Machine Learning, ML）的引入正逐步改变传统实验方法，推动材料发现和性能优化的进程。随着实验数据的积累和技术的成熟，ML模型的应用正在从理论研究走向实际操作，尤其是在需要高精度和可重复性的合成过程中。本文提出了一种结合自动化合成与机器学习的创新方法，用于预测铜纳米簇（Copper Nanoclusters, CuNCs）的形成，并通过多仪器、跨实验室的验证确保模型的可靠性。这一研究不仅为材料科学提供了新的工具，也为未来的智能化材料设计奠定了基础。

CuNCs作为一种新型纳米材料，因其独特的物理和化学性质而备受关注。它们的尺寸通常在几个到几百个原子之间，这使得它们表现出类似于分子的特性，如光学活性、低毒性、大的斯托克斯位移（Stokes shift）以及良好的生物相容性。这些特性使其在催化、生物成像、传感等领域具有广泛的应用前景。然而，CuNCs的合成过程存在一定的挑战，例如容易发生聚集和氧化，这限制了其在实际应用中的稳定性。因此，开发一种高效、可控且可重复的合成方法，对于推动CuNCs的研究至关重要。

本文的研究方法基于自动化合成平台，通过远程编程的方式在两个独立的实验室中执行实验。实验过程中使用了多种液相处理设备和光谱仪，确保了实验参数的精确控制和实验结果的一致性。这种多仪器的验证策略不仅消除了人为操作带来的误差，还保证了不同实验室间实验数据的可比性，从而为机器学习模型的训练提供了高质量的数据集。研究团队仅使用了40个训练样本，就成功训练出能够预测特定合成参数是否会导致CuNCs形成的模型。通过SHAP（SHapley Additive exPlanations）分析，模型能够提供可解释的预测结果，揭示了不同合成参数对CuNCs形成的影响机制。

实验数据的收集和处理是模型训练的关键环节。在实验设计阶段，研究团队首先进行了十组控制实验，以探索Cu、CTAB和AA（抗坏血酸）的摩尔浓度对CuNCs形成的影响。这些控制实验不仅为后续的参数优化提供了基础，还帮助识别了哪些参数对合成结果具有更大的影响。随后，团队采用了拉丁超立方采样（Latin Hypercube Sampling, LHS）方法，以更系统化的方式覆盖整个参数空间，确保实验数据的全面性和代表性。最后，六组新的实验样本被用作模型验证，以评估模型的预测能力。

通过对比不同机器学习模型的性能，研究团队发现决策树（Decision Tree）和线性回归（Linear Regression）在小数据集的情况下表现最佳。这两个模型不仅具有较高的预测精度（R2值超过0.82），而且能够提供清晰的参数重要性分析，帮助研究人员理解合成过程中的关键因素。例如，SHAP分析表明，AA的浓度对CuNCs的形成具有最重要的影响，而CTAB和Cu的浓度则在次级位置上发挥着关键作用。这些发现不仅有助于优化合成参数，还为未来的实验设计提供了理论依据。

值得注意的是，研究团队在不同实验室中进行了交叉验证实验，以确保合成方法和模型的可重复性。实验结果表明，无论是在Emerald Cloud Lab（位于德克萨斯州奥斯汀）还是在Carnegie Mellon University Automated Science Lab（位于宾夕法尼亚州匹兹堡），通过相同的自动化协议和仪器配置，实验结果保持高度一致。这一结果不仅验证了模型的泛化能力，还表明自动化合成技术能够在不同实验环境中保持稳定性和可靠性。此外，实验数据的采集和处理过程也体现了高度的系统性和标准化，包括完整的视频记录、元数据、样品图像以及仪器校准信息，这些数据为模型的训练和验证提供了丰富的特征。

从实验结果来看，CuNCs的形成与特定的光谱特征密切相关。在成功合成的样品中，光谱在240–300 nm范围内表现出明显的吸收峰，而在失败样品中则没有这种特征。这一现象表明，光谱分析可以作为一种有效的合成结果判断工具。同时，高荧光信号的出现进一步验证了CuNCs的成功形成，因为这种荧光特性通常仅出现在由少于十个铜原子组成的纳米簇中。这些光谱数据不仅为模型的训练提供了依据，也为后续的实验优化提供了直观的反馈。

研究团队还对不同合成参数的影响进行了深入分析。例如，AA的高浓度可能与铜离子在微胶束环境中的竞争性相互作用有关，而过高的Cu浓度则可能促进纳米颗粒的形成，而不是纳米簇的形成。CTAB的浓度则在稳定微胶束结构方面发挥了重要作用，这是CuNCs形成的关键前提条件之一。这些发现不仅揭示了合成过程中各参数的作用机制，还为未来的研究提供了新的方向。

此外，本文的研究还强调了自动化合成与机器学习结合的潜力。通过高通量实验和精确的数据采集，研究团队能够在有限的实验次数内获得高质量的数据集，从而训练出可靠的预测模型。这种高效的方法不仅减少了实验成本，还降低了实验人员的工作负担，使得材料发现过程更加智能化和系统化。对于那些需要高成本、高资源投入或涉及危险化学反应的合成过程，这种策略尤其具有优势。

在方法学层面，本文提出了一种全新的实验设计框架，通过自动化合成和机器学习的结合，实现了从传统经验性筛选向理性预测方法的转变。这种框架不仅适用于CuNCs的合成，还具有推广性，可以应用于其他纳米材料的开发。例如，通过类似的策略，研究团队能够将CuNCs的合成方法与黄金纳米颗粒的合成方法进行对比，从而验证其方法的通用性和可扩展性。

研究的结论表明，机器学习在材料科学中的应用需要高质量、可重复的数据支持，而自动化合成技术正是实现这一目标的关键工具。通过结合先进的液相处理设备、光谱分析技术和机器学习算法，研究人员能够更高效地探索材料合成的参数空间，并快速获得可靠的预测结果。这种综合方法不仅提高了材料研究的效率，还为未来的智能化材料设计和发现提供了坚实的基础。

本文的研究还强调了跨实验室验证的重要性。在多个独立实验室中进行实验，能够确保合成方法和模型的通用性，从而避免单一实验室环境可能带来的偏差。这种验证策略不仅增强了研究结果的可信度，也为后续的广泛应用提供了保障。通过多仪器的协同工作，研究团队成功地在不同设备和实验条件下保持了实验数据的一致性，这为未来的自动化材料研究提供了重要的参考。

综上所述，本文通过自动化合成与机器学习的结合，成功实现了对CuNCs合成过程的预测和优化。这一方法不仅提高了实验的可重复性和数据质量，还为材料科学领域的智能化发展提供了新的思路。未来，随着自动化技术的进一步发展和机器学习算法的持续优化，这种综合方法有望在更广泛的材料研究中发挥更大的作用。