具有目标结构和光学特性的等离子体纳米粒子光化学合成的自驾车实验室

自动合成具有随需应变特性的等离子体纳米粒子是一项具有挑战性的任务。在这里，作者将流体反应器、实时表征和机器学习集成在一个自驱动实验室中，用于光化学合成具有目标特性的纳米颗粒。

　　

自动驾驶实验室助力等离激元纳米颗粒光化学合成研究新突破

多伦多大学化学系的研究人员 Tianyi Wu 等人在Nature Communications上发表了题为 “Self-driving lab for the photochemical synthesis of plasmonic nanoparticles with targeted structural and optical properties” 的论文。该研究开发了一种自动驾驶实验室（AFION），实现了等离激元纳米颗粒的无籽光化学合成，对推动纳米材料合成领域发展具有重要意义。它不仅解决了传统合成方法中的诸多难题，还为按需制备具有特定结构和光学性质的纳米颗粒提供了高效平台，有望在化学传感、生物成像、光伏等多个领域引发变革 。

一、研究背景

无机纳米颗粒在化学和生物传感、光伏、成像、药物递送等领域应用广泛，其光学性质很大程度上决定了这些应用的效果。然而，纳米颗粒的合成受多种因素影响，如试剂添加和混合速率、试剂浓度、反应时间和温度等，这些因素相互关联且协同作用，使得确定合成具有精确控制特性纳米颗粒的多维化学空间极具挑战性。哪怕反应条件有微小变化，都可能显著改变纳米颗粒的性质，而且每增加一个反应条件，化学空间的规模就会呈指数级增长。通过基于经验的手动试错实验来确定控制纳米颗粒性质的关键参数，既耗时又费力，还耗费大量资源。

为应对这一挑战，以 “闭环” 方式运行、人力干预极少的自动驾驶实验室（SDLs）应运而生。这类实验室通过集成自动化技术（如机器人技术或微流体技术）、纳米颗粒表征和机器学习，能够进行迭代的纳米颗粒合成。其中，微流体技术可实现流动控制的试剂供应、增强的质量和热传递，以及实时在线纳米颗粒表征，有助于快速获取数据。机器学习算法在推断反应条件与相应纳米颗粒性质之间的关系方面起着关键作用，能为后续优化步骤推荐实验条件，无需对整个化学空间进行全面研究。尽管自动化有诸多优势，但确定最有效的纳米颗粒反应条件的下一步合成决策仍依赖操作人员。此前，自动化机器学习辅助合成虽已应用于多种纳米颗粒的合成，但针对等离激元纳米颗粒的无籽光化学合成在自动驾驶实验室中尚未见报道。相较于传统合成方法，光化学合成虽具有反应条件温和、反应时间可控、与微流体合成适应性强等优点，但由于反应输出对辐照强度和曝光时间敏感，在实际应用中受到限制，在无籽纳米颗粒合成中更是面临挑战，因为其成核和生长过程同时进行，需要精确控制反应条件，这使得精确控制多种等离激元纳米颗粒的光学性质并实现高产率的无籽光化学合成成为一大难题。

二、研究材料与方法

（一）实验材料

研究中使用的化学试剂包括购自 Sigma Aldrich Canada 的氯化金（III）溶液、硝酸银、2 - 羟基 - 4' -（2 - 羟基乙氧基） - 2 - 甲基苯丙酮（I - 2959）、十六烷基三甲基溴化铵（CTAB）、氯化铜（II）、十六烷基三甲基氯化铵（CTAC）和十六烷基吡啶氯化物（CPC）等，所有溶液均用去离子水（Milli - Q 水，18 MΩ cm）配制。I - 2959 试剂溶液在使用前需用氮气吹扫 15 分钟，合成 CuNSs 时，所有试剂也需用氮气吹扫至少 15 分钟以排除氧气干扰。

（二）AFION 平台搭建

AFION 实验室的注射器泵购自 Hamilton Company，用于在线光谱分析的设备包括 Thorlabs, Inc. 的在线光纤电荷耦合器件光谱仪（CCS200）和光谱仪钨卤光源（SLS201L）。为便于流体传输，采用了 McMaster - Carr 的全氟烷氧基 tubing 及配套管件。平台内的氮气压力为 137 kPa，提供 345 - 385 nm 波长范围的 UV 源购自 Phoseon Technology，其高度调节和光控制由 Arduino Uno 微控制器实现。

（三）纳米颗粒合成

AuNRs、合金 AuAg NSs、核壳 Au/Ag NSs 和 Au tetrapods 的光化学合成是通过用 I - 2959 还原氯化金和硝酸银，并以 CTAB 为表面活性剂来实现的。CuNSs 的合成则是用 I - 2959 还原氯化铜，并使用 CTAC 作为表面活性剂，AgNSs 的合成以 I - 2959 为还原剂，CPC 为表面活性剂。若需补充试剂溶液，会在相同参数空间内进行参考实验以验证初始起点。机器学习算法会推荐每种试剂的浓度、光辐照时间和反应时间，以获得不同尺寸、形状和组成的纳米颗粒。反应结束后，AuNR 和 Au tetrapod 溶液在 27°C、8000×g 条件下离心 10 分钟，其他纳米颗粒溶液则在 27°C、15,000×g 条件下离心 10 分钟，以去除未反应的试剂。

（四）闭环纳米颗粒合成

预先配制特定浓度的试剂溶液并分别装入 20 mL 小瓶中，125 mL 装有去离子水的小瓶作为试剂混合物制备的补充源。每次反应后用去离子水冲洗管道。分配泵将试剂溶液依次注入管道形成 100 - μL 体积的圆柱形液滴作为纳米颗粒合成的微反应器。液滴在填充有 137 kPa 加压氮气的 2.5 mL 气密注射器的推动下，在管道中来回振荡，确保溶液充分混合。液滴接受 UV 照射，照射强度通过改变 UV 源与流动反应器之间的距离来调节，范围为 9 - 75 mW cm?2。试剂的分配体积、反应时间、照射强度和液滴振荡速度均由机器学习算法推荐。反应完成后，液滴转移至流动池，使用钨卤光源和在线光纤电荷耦合器件光谱仪对纳米颗粒进行在线光谱表征，获取 400 - 1000 nm 波长范围内的消光光谱。之后，液滴被排放到收集废物的容器或用于离线 TEM 或 EDS 分析的容器中。TEM 成像用于确定优化条件下合成的纳米颗粒的形状和尺寸，并使用 Python 对数百个纳米颗粒的 TEM 图像进行统计分析。

（五）算法优化过程

研究采用已有的贝叶斯优化（BO）算法 Gryffin，该算法利用贝叶斯神经网络推断的核回归代理模型来模拟反应条件与所得纳米颗粒光谱性质之间的关系。初始时，Gryffin 在无先验知识的情况下探索较大的反应参数空间，随机选择第一组反应条件。收集纳米颗粒的光谱特征后，代理模型基于所有可用的实验观察结果开始训练。随后，Gryffin 根据其采集函数提出新的实验建议。采集函数通过用户指定的超参数平衡反应条件的利用性和探索性采样，该超参数可在 1 到 - 1 之间调整。利用性建议旨在对已产生有前景光谱性质的反应条件进行局部优化，探索性建议则优先考虑反应参数空间中代理模型预测高度不确定的未探索区域。标量化函数 Chimera 用于通过将纳米颗粒的光谱性质转换为标量值来进行基于层次的多目标优化。每个目标按照对研究目标的重要性进行层次排序，Chimera 还接受每个目标的容差，即当目标值达到该阈值时，认为该目标已满足要求，优化器可继续优化层次结构中的下一个目标。

（六）互信息分析

互信息统计方法用于量化反应条件与所得纳米颗粒类型之间的依赖关系。互信息值越高，表明关系越强，有助于深入了解每个反应参数在合成特定纳米颗粒（如 AuNRs、AuAg 合金 NSs、Au/Ag 核壳 NSs 和 tetrapods）中的重要性。数据集包含 214 个数据点，占总实验数 265 个的 81%，其余数据点超出了研究目标范围。

（七）纳米颗粒特性验证

通过 TEM 成像、EDS 元素映射和 EDS 线扫描对选定的纳米颗粒特性进行验证。TEM 图像使用 Hitachi HT7700 显微镜在 100 kV 下获取，EDS 元素映射和线扫描则通过配备 JEOL 球差校正器的 JEM - ARM300F 在 200 kV 下获得。用于成像的样品通过将纳米颗粒溶液滴铸在碳涂层的 300 目铜网上，并在室温下空气中干燥制备。

三、研究结果

（一）AFION 实验室的闭环合成

AFION 实验室的闭环合成流程为：针对特定类型的纳米颗粒，根据现有文献数据选择其光谱性质作为闭环迭代光化学合成的目标。首先在七参数反应条件下进行合成，随后在线获取纳米颗粒的光谱性质，并将其报告给带有 Chimera 标量化函数的 Gryffin 机器学习算法，用于基于层次的多目标优化。Gryffin 根据反应条件与光谱性质的配对数据进行训练，提出下一次迭代合成的新反应条件。整个自主闭环过程无需人工干预，当纳米颗粒的光谱性质达到指定目标且后续合成中不再提升时达到收敛。通过 TEM、EDS 映射和 EDS 线扫描对所需的纳米颗粒特性进行验证。实验装置方面，单个试剂溶液被输送到微流体反应器中形成混合试剂溶液液滴，该液滴在管式反应器中来回振荡并接受紫外线照射。反应完成后，含有纳米颗粒的液滴移动到流动池进行光谱表征，之后被排放到废物容器或样品收集容器中。光谱数据经分析后报告给 Gryffin 以获得新的实验建议。研究针对不同类型的纳米颗粒，如具有不同纵横比的 Au 纳米棒（AuNRs）、不同组成的合金 AuAg 纳米球（AuAg NSs）、核壳 Au/Ag NSs 和 Au tetrapods，匹配其光谱性质与形状、尺寸和组成，确定了相应的目标光谱区域，并探索了相关的化学空间。

（二）AuNRs 的合成

AFION 实验室成功合成了 “高” 和 “低” 纵横比的 AuNRs，纵横比分别为 4.1 和 3.0，纵向表面等离子体共振（LSPR）分别为 880 nm 和 750 nm。确定了四个光谱目标，按重要性从高到低排序为：目标 1 是设定 R 值（定义为 650 - 1000 nm 光谱区域峰值下面积与 490 - 560 nm 范围峰值下面积之比）不小于 3.0；目标 2 是使高纵横比 AuNRs 的 LSPR 峰光谱位置为 880 nm，低纵横比的为 750 nm，偏差不超过 10 nm；目标 3 是最小化 LSPR 带的半高宽（FWHM），以获得尺寸分布均匀的 AuNRs，设定相对容差为 40%；目标 4 是最大化 LSPR 强度与 400 nm 处消光强度的比值（IR），以实现高产量合成。在迭代合成过程中，实验结果显示，目标 1 在实验 #1 中就已满足，但 LSPR 峰的偏差超出容忍范围。经过多次迭代，到实验 #23 时，所有目标均达成，此时高纵横比 AuNRs 的 R = 10.9，λLSPR = 880 nm，FWHM = 185 nm，IR = 3.17。低纵横比 AuNRs 的合成也在实验 #23 中实现了所有目标，R = 5.47，λLSPR = 757 nm，FWHM = 186 nm，IR = 1.98。TEM 图像分析表明，合成的 AuNRs 中球形杂质含量较低，且纵横比接近目标值，优化配方中 CTAB 浓度比传统有籽光化学合成低十倍。

（三）合金 AuAg NSs 的合成

通过光化学合成制备了 “低” 和 “高” 金摩尔分数（XAu 分别为 0.54 和 0.80）的合金 AuAg NSs，设定了三个目标：目标 1 是使低 XAu 合金 NSs 的 SPR 位置为 465 nm，高 XAu 合金 NSs 的为 485 nm，偏差不超过 5 nm；目标 2 是最小化 SPR 带的 FWHM，相对容差为 20%；目标 3 是最大化 SPR 强度以实现高产率。实验结果显示，低 XAu 合金 AuAg NSs 在实验 #27 中所有目标均得到满足，此时 λSPR = 467 nm，FWHM = 138 nm，ISPR = 0.34。高 XAu 合金 AuAg NSs 在实验 #29 中达到优化，λSPR = 487 nm，FWHM = 123 nm，ISPR = 0.20。TEM 图像、HAADF - STEM 图像、EDS 映射和线扫描结果表明，合成的合金 NSs 中 Au 和 Ag 原子均匀分布，XAu 值接近目标值。

（四）核壳 Au/Ag NSs 的合成

对于核壳 Au/Ag NSs 的合成，设定了四个目标：目标 1 是设定面积比 R（定义为特定光谱区域面积比）不小于 2.0；目标 2 是通过建立均方根误差（RMSE）适应度函数，使 Ag 壳和 Au 核的 SPR 实验测量值与目标值（分别为 415 nm 和 510 nm）的偏差最小化，阈值设为小于 10 nm；目标 3 是通过光谱解卷积分离重叠峰，最小化两个 SPR 带的 FWHM 之和（ΣFWHM），阈值为 20%；目标 4 是最大化 SPR 强度之和（ΣInten）以实现高产率。实验 #25 中所有目标均满足，R = 2.31，RMSE = 5.1 nm，ΣFWHM = 185 nm，ΣInten = 0.05。TEM 图像和 EDS 线扫描结果验证了核壳结构，合成的纳米颗粒平均直径、核直径和壳厚度接近目标尺寸。

（五）Au tetrapods 的光化学合成探索

在 AFION 实验室探索了 Au tetrapods 的无籽光化学合成，以传统湿化学合成的光谱为目标，设定了四个光谱光学特性目标：目标 1 是设定面积比 R 不小于 1.0；目标 2 是使 SPR 峰光谱位置为 750 nm，偏差不超过 10 nm；目标 3 是最小化 SPR 带的 FWHM，阈值为 40%；目标 4 是最大化 SPR 强度与 400 nm 处强度的比值（IR）以实现高产率。实验 #28 中所有目标均达成，R = 1.66，λSPR = 750 nm，FWHM = 169 nm，IR = 0.70。TEM 图像显示合成的 Au tetrapods 具有四个尖锐尖端，平均对角长度接近目标值。与随机搜索实验对比，在合成 Au tetrapods 时，随机搜索在 30 次实验内无法满足目标 2，而 AFION 实验室在 28 次实验内实现了多目标优化，凸显了其效率。

（六）AFION 实验室的可重复性和精度

为评估 AFION 实验室的可重复性，对用于 tetrapod 合成的反应参数空间进行随机实验，重复三次随机选择的反应条件各五次，并在重复之间穿插其他随机实验。结果显示，重复实验的相对标准偏差较小，SPR 波长不超过 0.6%，FWHM 不超过 8.7%，SPR 峰强度不超过 6.4%，证实了数据点的独立性。此外，对所有合成的纳米颗粒在优化反应条件下进行两次连续重复实验，以及对 AuNRs 进行 48 小时合成并每 6 小时采集一次光谱，所得结果进一步证明了 AFION 实验室的实验精度。

（七）扩展 AFION 实验室的通用性

通过使用不同的前驱体和表面活性剂，在机器学习搜索的六维化学空间中探索了其他类型等离激元纳米颗粒（Ag 和 Cu NSs）的无籽光化学合成能力。确定了 Ag NSs 在实验 #29 中的优化反应条件，合成的纳米颗粒平均直径大于传统无籽批次光化学合成的产物；Cu NSs 在实验 #19 中优化了反应条件，尺寸更大且分散性更低，且该合成在氮气氛围下进行，展示了 AFION 平台进行氧敏纳米颗粒合成的能力，扩展了其在化学挑战性场景中的应用。

（八）数据分析

利用知识驱动和数据驱动两种方法分析反应条件与合成纳米颗粒类型之间的关系。知识驱动方法选择了光化学纳米颗粒合成中的三个参数（平均 UV 光强度、反应时间和光还原剂浓度），结果表明，较长反应时间、低光还原剂浓度和低 UV 光强度有利于 AuNRs 形成；较短反应时间、高光还原剂浓度和高 UV 光强度适合 Au tetrapods 合成；较长反应时间、低光还原剂浓度和低 UV 光强度有利于核壳 NS 合成；较短反应时间、中等光还原剂浓度和高 UV 光强度则有利于合金 NSs 合成。数据驱动方法采用互信息统计方法，突出了硝酸银浓度对合成纳米颗粒类型的重要性。AuNRs 和 Au tetrapods 在相对较低的硝酸银浓度下生成，而合金和核壳 NSs 在较宽的硝酸银浓度范围内形成。数据驱动分析揭示的反应条件对合成不同纳米颗粒的影响，超越了传统认知。

四、研究结论与讨论

研究人员通过集成流体合成、实时光谱纳米颗粒表征和基于层次的多目标机器学习优化，开发了 AFION 自动驾驶实验室，实现了多种等离激元纳米颗粒的按需无籽光化学合成。该实验室有效解决了光化学纳米颗粒合成中反应产物对辐照强度和时间敏感，以及无籽纳米颗粒合成过程复杂的问题，拓展了自动驾驶实验室的合成技术范围。通过针对特定纳米颗粒的内在光谱特征进行合成，成功制备了八种不同类型的纳米颗粒，包括不同形状的 AuNRs、不同组成的合金 AuAg NSs、核壳结构的 Au/Ag NSs、Ag 和 Cu NSs 以及 Au tetrapods。离线分析证实了纳米颗粒的形状、形态和组成符合预期，其质量与传统耗时优化合成的纳米颗粒相当。借助机器学习，还提出了 Au tetrapods 的无籽光化学流体合成反应条件，此前该合成方法未见报道。