基于可微分光谱形状模型的金纳米粒子自主相图构建与逆向合成平台

《npj Computational Materials》：Autonomous phase mapping of gold nanoparticles synthesis with differentiable models of spectral shape

本刊推荐：研究人员针对胶体材料合成中复杂的“组成-结构”关系难以高效表征的问题，开展了基于可微分光谱形状模型的自主相图构建研究。通过集成神经过程（Neural Process）生成模型与XGBoost预测模型，建立了从合成条件（AgNO3/抗坏血酸浓度）到UV-Vis光谱的映射关系，实现了金纳米粒子（AuNP）形貌相图的梯度场可视化。该工作不仅揭示了银离子与还原剂的二次相互作用对纳米棒长径比分布的调控机制，更通过可微分框架实现了球形/棒状AuNP的逆向合成，为自驱动实验室（SDL）提供了统一平台。

　　

在材料科学领域，胶体金纳米粒子（AuNP）因其在传感、催化和能源领域的应用潜力而备受关注。然而，其合成过程涉及复杂的“合成-加工-结构”关系，多种设计变量（如前驱体浓度、温度、pH值等）共同决定了最终形成的纳米结构。传统上，研究人员需要通过大量试错实验来探索这些变量如何影响纳米粒子的形貌（如球形、棒状等），这一过程既耗时又费力。尽管第一性原理计算方法（如分子动力学）可以提供一些理论指导，但它们对复杂胶体系统的适用性有限。近年来，机器学习方法为材料发现提供了新的途径，但现有方法在处理连续相变和光谱形状的细微变化方面仍存在挑战。

针对这些问题，华盛顿大学的研究团队在《npj Computational Materials》上发表了一项创新研究，开发了一种基于可微分光谱形状模型的自主相图构建平台。该工作聚焦于金纳米粒子的种子介导生长过程，通过可微分建模框架实现了从合成条件到紫外-可见（UV-Vis）光谱的精准预测，并首次通过梯度场可视化揭示了纳米粒子形貌转变的动力学规律。

研究方法的核心是三个关键技术模块的集成：首先，采用神经过程（Neural Process）模型进行生成式预训练，从历史光谱数据中学习基函数表示；其次，构建组合模型（XGBoost+神经过程解码器）建立从组成参数到光谱的映射关系；最后，通过主动学习（active learning）框架自适应地引导实验采样，不断更新模型参数。实验数据来自高通量合成的金纳米粒子胶体溶液，其UV-Vis光谱通过自动化平台采集。

模型预训练与主动学习收敛

研究团队首先利用银纳米粒子的历史UV-Vis光谱数据对神经过程模型进行预训练，使其能够生成多样化的光谱形状。如图2所示，模型损失函数（公式(1)）在训练过程中显著收敛，生成样本从与银纳米粒子相关的多峰分布逐渐适应为金纳米粒子特有的等离子体共振峰（500-550 nm和700-750 nm）。在主动学习阶段，通过14次迭代采集90个实验样本，模型预测误差显著降低，表明其在组成空间内实现了定量收敛。

梯度场相图揭示形貌转变规律

通过计算模型预测光谱形状对组成参数的梯度，研究团队构建了直观的相图（图5）。梯度接近零的区域对应单一相区（如球形纳米粒子区、无生长区），而非零梯度区则对应相边界。结果显示，球形到棒状纳米粒子的转变主要受AgNO₃浓度调控，而无生长区到棒状区的转变则同时依赖AgNO₃和抗坏血酸浓度。特别值得注意的是，在纳米棒相区内，梯度场的径向变化揭示了二次相互作用对长径比分布的精细调控。

可微分自驱动实验室实现逆向合成

利用模型的可微特性，研究团队通过随机梯度下降优化实现了目标纳米粒子的逆向合成。对于8 nm半径的球形金纳米粒子，优化轨迹快速收敛（振幅-相位距离<0.1），实验验证光谱与模拟目标高度吻合（图6）。对于长径比≈3.0的金纳米棒，虽然存在一定的批次效应误差，但框架仍展现出强大的逆向设计能力。

这项研究通过可微分建模框架成功解决了胶体材料相图构建中的连续性相变表征难题。该工作不仅揭示了银离子与抗坏血酸在金纳米粒子形貌调控中的二次相互作用机制，更重要的是提供了一个统一平台，将相图构建与材料逆向合成整合在自驱动实验室工作流中。相较于传统高斯过程模型，该方法的数据驱动特性避免了对先验物理模型的依赖，使其适用于复杂材料系统。未来，该框架可扩展至高维设计空间探索，为智能材料发现提供新范式。