论文题目：Machine learning for carbon dots: Capabilities, limitations, and the path toward rational design

期刊：Advanced Powder Materials

DOI：https://doi.org/10.1016/j.apmate.2026.100431

微信链接：https://mp.weixin.qq.com/s/2SI1pyIZGcEW3raiomjCIw

1 文章摘要

碳点应用前景广阔，但存在合成非线性、结构不均、构效关系不清等问题，限制了可控定制制备。机器学习为碳点研究提供数据驱动新范式，却面临数据零散、任务不清、模型可解释性不足等短板。本文综述机器学习在碳点性能预测、逆向合成设计、机理探究三大方向进展，对比模型光学预测优劣，指出现有模型多为单纯统计拟合、缺乏物理机理，且红光/近红外碳点存在数据与泛化难题；同时评述机器学习在传感、光催化能源、生物医学、LEDs、防伪加密领域的优化与设计价值。未来需构建标准化数据库、研发物理约束可解释模型、融合主动学习与闭环实验，推动碳点研发从经验试错转向可预测、可解释、可调控的理性设计。

2 研究背景

碳点（图1）是尺寸小于10 nm的纳米材料，具备发光可调、生物相容、低毒稳定等优势，在传感、生物医学、光催化、LEDs及防伪等领域应用前景广阔。但其合成变量多、非线性强、耦合复杂，传统经验试错效率低，构效关系难以厘清。机器学习虽已在碳点研究取得不少成果，但缺乏系统归类，亟需梳理应用逻辑、核心成果与技术瓶颈。

图1. 碳点的合成方法及其发展时间线

本文归纳机器学习辅助碳点研究的流程范式（图2），从基础层面总结其在性能预测、合成优化、机理解析的应用并评价方法优劣，从应用层面阐述其在多领域的赋能效果，最后剖析现存瓶颈、给出解决思路与发展展望，以期建立数据驱动设计方法，推动碳点研发从经验试错迈向智能驱动。

图2. 人工智能发展阶段、常用机器学习算法及标准工作流程

3 创新点

（1）批判性评估了机器学习在碳点研究中的作用，区分性能提升与真正的设计能力，并明确其在数据、可解释性和通用性上的局限。

（2）比较了机器学习在传感、信息加密和光电子系统中的应用，指出其最有效的适用场景。

（3）展望了数据库构建、物理建模与智能制造策略，推动合理、可重复的碳点材料设计。

4 文章概述

4.1 预测碳点特性

4.1.1 预测发射波长与颜色

碳点发光机制尚不明确，难以精准调控发光颜色；目前多为蓝、绿光发射，高效稳定的红光与近红外碳点制备仍是难题，而精准控色对多色及深层生物成像至关重要（图3）。传统经验试错法低效可控性差，机器学习虽能实现红/非红光碳点高精度分类，并建立合成参数与发光波长的关联，但现有模型多依赖实验参数、缺乏机理关联。此外，红光/近红外碳点结构数据匮乏，模型高准确率仅为统计拟合，未揭示物理本质。未来需结合量子化学与电子结构分析，实现碳点目标导向的逆向理性设计。

图3. 机器学习辅助预测碳点发射波长与颜色的模型构建与应用

4.1.2 调控荧光量子产率

光致发光量子产率影响发光材料的灵敏度与亮度，传统固态碳点易发生聚集荧光淬灭。机器学习结合多目标优化与主成分分析，探明了分子振动等关键机制对量子产率的影响。依托XGBoost模型优化工艺，实现高量子产率固态发光碳点千克级制备。未来需引入更多化学特征描述符，突破模型跨体系泛化能力瓶颈（图4）。

图4. 机器学习指导高荧光量子产率碳点合成的多种策略与规模化应用

4.1.3 预测余辉（磷光）特性

随着光信息加密和生物成像技术的发展，具备可控延迟发射能力的室温磷光碳点成为研究热点。通过整合主动学习与密度泛函理论，机器学习不仅实现了对激发/发射波长和余辉寿命的精准预测，还通过结合SHAP分析揭示了基质厚度与三重态电子泄漏的负相关机制（图5）。

图5. 机器学习探索碳点长余辉材料的机制与设计

4.2 机器学习辅助碳点合成优

传统单因素合成实验耗时低效，无法厘清参数间复杂协同与拮抗关系。机器学习通过多种算法融合，实现碳点合成路径智能全局寻优，大幅缩短研发周期，助力碳点绿色功能材料开发（图6）。未来需搭建多源异构数据集、引入迁移学习提升模型泛化能力，构建兼顾性能、成本与环保的多目标优化框架，并结合物化机理增强模型可解释性。

图6. 机器学习辅助碳点合成过程的全局参数优化框架

4.3 机器学习辅助碳点机理探

传统单因素调控合成耗时低效，无法明晰碳点合成参数间复杂的协同与拮抗关系。机器学习通过多种算法融合，实现合成路径智能全局寻优，大幅缩短研发周期，助力碳点绿色功能材料开发。后续需构建多源异构数据集、引入迁移学习提升模型泛化性，建立兼顾性能、成本与环保的多目标优化框架，并结合物化机理增强模型可解释性（图7）。

图7. 借助机器学习解析碳点发光与荧光传感机制

4.4 机器学习推动碳点应用的发展

4.4.1 传感

传统合成与人工信号解析难以适配复杂检测场景，机器学习从材料逆向设计和信号智能解码两方面推动传感升级（图8）。在重金属离子检测上，可构建多通道传感阵列，抗干扰并实现水样多离子精准检测，还可结合便携设备实现现场快速检测。算法挖掘荧光特征，显著提升无接触测温精度，并实现宽范围pH抗干扰定量。碳点传感阵列结合机器学习，可免大型仪器完成细菌高精度分类与宽浓度检测。多通道荧光阵列联用线性判别分析，可同步筛查并定量分辨结构相似药物，支撑即时诊断应用。

图8. 机器学习辅助的碳点智能传感系统

4.4.2 光催化与能源转化

碳点催化性能受多因素复杂调控，传统试错研发低效，机器学习推动该领域迈向智能数字化研发（图9）。在绿色化工与清洁能源方面，算法可优化催化反应与光催化体系设计，但现有模型未考虑催化剂结构演变与失活；在光伏领域，机器学习结合实验模拟，为电池光管理层设计提供理论支撑。在污染物治理与塑料资源化中，机器学习联合理论计算可优化催化体系，引入SHAP分析还能提升模型可解释性，明确关键影响特征。

图9. 机器学习驱动的碳点在光催化与能源领域的应用

4.4.3 生物医学应用

碳点在生物医学体外检测、体内诊疗领域潜力巨大。传统合成与应用脱节研发效率低，机器学习正推动其迈向预测-设计-验证智能诊疗新模式（图10）。临床检测上，机器学习提升碳点探针信号解析能力，可精准检测疾病标志物并对肿瘤亚型智能分级。在癌症治疗与靶向给药中，碳点用作药物载体，结合机器学习优化制备工艺、通过SHAP分析解析关键因子，实现成像、靶向递送与光动力治疗协同。抗菌检测方面，碳点荧光阵列融合深度学习，可在复杂基质中精准分类并定量多种抗生素。生物成像领域，借助XGBoost可精准调控碳点荧光特性，定制适配细胞亚细胞高分辨成像的专用碳点。

图10. 机器学习辅助碳点在生物医学中的多元化应用场景

4.4.4 发光二极管

碳点是新一代LEDs荧光材料的优质选择，其性能受多因素复杂耦合调控，机器学习为其智能设计与性能预测提供新思路（图11）。相关模型可精准调控白光LEDs色温、预测器件电学特性，还能实现碳点材料跨场景复用、降低研发成本。当前领域存在数据源单一、模型可解释性弱、多局限于光致发光等问题。未来需融合多维数据、深挖内在机理，研发高性能电致发光碳点LEDs，通过机器学习逆向设计微型、柔性器件，助力商业化落地。

图11. 机器学习在碳点LEDs中的应用

4.4.5 信息防伪与高级加密

碳点发光特性受多因素调控，传统经验优化低效难复现，机器学习打破合成壁垒，推动防伪加密向时空多维智能化升级（图12）。机器学习的应用亮点的包括：定向合成多色碳点时引入溶剂物化性质，实现从经验寻优向机制化数据驱动转变。构建模型定制多色磷光，搭建动态加密系统提升防伪隐蔽性。结合卷积神经网络构建多维加密平台，提升信息安全级别。当前存在多维数据整合不足、机制与应用脱节的瓶颈，未来需聚焦多源数据整合、算法优化及智能系统构建，实现碳点按需设计与智能化制造，推动其在智能安全领域高可靠应用。

图12. 机器学习在碳点信息防伪中的应用

4.4.6 其它

碳点应用领域正借助机器学习向更多交叉领域拓展（图13）。机器学习可挖掘抗菌碳点合成条件、理化性质与抗菌性能的非线性关联，实现其快速筛选与性能预测。可解析甘蔗渣衍生碳点吸附剂对染料的吸附规律，为工业废水处理提供低成本方案。还可结合实验、密度泛函理论，助力环保型氮硫共掺杂碳点缓蚀剂的开发，并阐明其防腐蚀微观机理。

图13. 机器学习辅助碳点在更多交叉领域的拓展应用

4.5 结论与展望

机器学习可辅助碳点实验与信号解析，但尚未成为材料设计引擎，仅用于发光器件等场景的性能关联与参数优化，目前面临数据、机理、合成、应用全链条难题。要实现其向智能设计引擎的升级，需攻克四大核心挑战：

（1）打破数据孤岛：解决高质量标准化数据匮乏问题，借助大语言模型提取文献信息，构建开源结构化碳点专属大数据库；

（2）融合物理机制与数据驱动：将物理约束、化学先验知识注入模型，结合可解释性工具量化特征贡献度；

（3）前驱体导向逆向智能设计：引入量子化学描述符，从前驱体分子结构出发，实现全新发光材料逆向定制；

（4）智能化规模化绿色制造：结合连续流合成、实时监控与ML反馈控制，实现千克级量产，融合绿色工艺兼顾性能与环保。

5 启示

（1）跨学科融合是突破碳点研发瓶颈的关键：机器学习与材料科学等多学科协同，推动研发经验驱动转向数据/智能驱动，提升效率。

（2）技术创新需平衡效率与机理：机器学习虽能加速研发，但需深耕底层理化机制，才能发挥长远价值。

（3）理性看待机器学习价值：正视机器学习数据、可解释性等瓶颈，聚焦攻关才能推动技术成熟。

引用信息：Shudie Shen, Leilei Zhang, Linquan Gan, Tao Li, Wenli Zhao, Yanfei Wang, Liang Zhu, Xiaoyu Zhao, Machine Learning for Carbon Dots: Capabilities, Limitations, and the Path Toward Rational Design. Adv. Powder Mater. 5(2026)100431. https://doi.org/10.1016/j.apmate.2026.100431

扫二维码 查看全文

原文链接：https://www.sciencedirect.com/science/article/pii/S2772834X26000394