CN113988354A - 基于机器学习的金纳米棒的合成优化方法、装置及介质 - Google Patents
基于机器学习的金纳米棒的合成优化方法、装置及介质 Download PDFInfo
- Publication number
- CN113988354A CN113988354A CN202110889167.8A CN202110889167A CN113988354A CN 113988354 A CN113988354 A CN 113988354A CN 202110889167 A CN202110889167 A CN 202110889167A CN 113988354 A CN113988354 A CN 113988354A
- Authority
- CN
- China
- Prior art keywords
- gold nanorods
- gold
- xgboost
- longitudinal
- absorption peak
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 title claims abstract description 217
- 238000000034 method Methods 0.000 title claims abstract description 105
- 230000002194 synthesizing effect Effects 0.000 title claims abstract description 34
- 238000010801 machine learning Methods 0.000 title claims abstract description 25
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 82
- 238000010521 absorption reaction Methods 0.000 claims abstract description 81
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 77
- 230000008569 process Effects 0.000 claims abstract description 51
- 238000000862 absorption spectrum Methods 0.000 claims abstract description 36
- 238000003860 storage Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 238000013145 classification model Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 5
- 238000012827 research and development Methods 0.000 abstract description 3
- 239000010931 gold Substances 0.000 description 66
- 229910052737 gold Inorganic materials 0.000 description 52
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 42
- 238000002360 preparation method Methods 0.000 description 38
- 230000012010 growth Effects 0.000 description 31
- SQGYOTSLMSWVJD-UHFFFAOYSA-N silver(1+) nitrate Chemical compound [Ag+].[O-]N(=O)=O SQGYOTSLMSWVJD-UHFFFAOYSA-N 0.000 description 28
- 229960005070 ascorbic acid Drugs 0.000 description 21
- 235000010323 ascorbic acid Nutrition 0.000 description 21
- 239000011668 ascorbic acid Substances 0.000 description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 20
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 16
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 15
- 229910001961 silver nitrate Inorganic materials 0.000 description 14
- 238000003756 stirring Methods 0.000 description 14
- LZZYPRNAOMGNLH-UHFFFAOYSA-M Cetrimonium bromide Chemical compound [Br-].CCCCCCCCCCCCCCCC[N+](C)(C)C LZZYPRNAOMGNLH-UHFFFAOYSA-M 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000009467 reduction Effects 0.000 description 11
- 239000003638 chemical reducing agent Substances 0.000 description 10
- 239000002105 nanoparticle Substances 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 239000000047 product Substances 0.000 description 7
- 239000013078 crystal Substances 0.000 description 6
- 230000035040 seed growth Effects 0.000 description 5
- 150000002500 ions Chemical class 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 239000004094 surface-active agent Substances 0.000 description 4
- 239000008367 deionised water Substances 0.000 description 3
- 229910021641 deionized water Inorganic materials 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 239000002086 nanomaterial Substances 0.000 description 3
- 239000002243 precursor Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004416 surface enhanced Raman spectroscopy Methods 0.000 description 3
- CPELXLSAUQHCOX-UHFFFAOYSA-M Bromide Chemical compound [Br-] CPELXLSAUQHCOX-UHFFFAOYSA-M 0.000 description 2
- 229910004042 HAuCl4 Inorganic materials 0.000 description 2
- QIGBRXMKCJKVMJ-UHFFFAOYSA-N Hydroquinone Chemical compound OC1=CC=C(O)C=C1 QIGBRXMKCJKVMJ-UHFFFAOYSA-N 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000001069 Raman spectroscopy Methods 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000007323 disproportionation reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000003446 ligand Substances 0.000 description 2
- 230000031700 light absorption Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000693 micelle Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000006386 neutralization reaction Methods 0.000 description 2
- 230000006911 nucleation Effects 0.000 description 2
- 238000010899 nucleation Methods 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 239000011541 reaction mixture Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000002198 surface plasmon resonance spectroscopy Methods 0.000 description 2
- 238000000584 ultraviolet--visible--near infrared spectrum Methods 0.000 description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- 229910003771 Gold(I) chloride Inorganic materials 0.000 description 1
- 235000006629 Prosopis spicigera Nutrition 0.000 description 1
- 240000000037 Prosopis spicigera Species 0.000 description 1
- NGDDCFINDCHPTF-UHFFFAOYSA-N [Br].[Ag] Chemical compound [Br].[Ag] NGDDCFINDCHPTF-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 150000001412 amines Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- FNXLCIKXHOPCKH-UHFFFAOYSA-N bromamine Chemical compound BrN FNXLCIKXHOPCKH-UHFFFAOYSA-N 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 150000001768 cations Chemical class 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000010668 complexation reaction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229910021505 gold(III) hydroxide Inorganic materials 0.000 description 1
- -1 halide ions Chemical class 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004102 ligand field theory Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000002159 nanocrystal Substances 0.000 description 1
- 239000002073 nanorod Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000012744 reinforcing agent Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010900 secondary nucleation Methods 0.000 description 1
- ADZWSOLPGZMUMY-UHFFFAOYSA-M silver bromide Chemical compound [Ag]Br ADZWSOLPGZMUMY-UHFFFAOYSA-M 0.000 description 1
- 238000005549 size reduction Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000012798 spherical particle Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000001392 ultraviolet--visible--near infrared spectroscopy Methods 0.000 description 1
- 238000004758 underpotential deposition Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F9/00—Making metallic powder or suspensions thereof
- B22F9/16—Making metallic powder or suspensions thereof using chemical processes
- B22F9/18—Making metallic powder or suspensions thereof using chemical processes with reduction of metal compounds
- B22F9/24—Making metallic powder or suspensions thereof using chemical processes with reduction of metal compounds starting from liquid metal compounds, e.g. solutions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B82—NANOTECHNOLOGY
- B82Y—SPECIFIC USES OR APPLICATIONS OF NANOSTRUCTURES; MEASUREMENT OR ANALYSIS OF NANOSTRUCTURES; MANUFACTURE OR TREATMENT OF NANOSTRUCTURES
- B82Y40/00—Manufacture or treatment of nanostructures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Nanotechnology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- General Chemical & Material Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Manufacturing & Machinery (AREA)
- Crystallography & Structural Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于机器学习的金纳米棒的合成优化方法、装置及存储介质，该方法通过种子生成法合成若干组金纳米棒；使用紫外‑可见光分子吸收光谱分别表征每一组金纳米棒的纵向最佳吸收峰峰位和纵/横最佳吸收峰强度比，以构建数据集；然后将数据集输入训练好的XGBoost预测模型中进行预测，得到预测结果；再根据所述预测结果，分析金纳米棒合成工艺与吸收光谱性能之间的映射关系，和获取金纳米棒合成工艺中各项参数的重要性排序；从而能够对金纳米棒的合成进行优化，进而能够指导合成高长径比、高产率、高质量的金纳米棒，加快金纳米棒功能性材料的研发进展。本发明可广泛应用于金纳米棒的合成技术领域。
Description
技术领域
本发明涉及金纳米棒的合成技术领域，尤其是一种基于机器学习的金纳米棒的合成优化方法、装置及存储介质。
背景技术
金纳米棒(Gold nanorods,金纳米棒)是一种长径比在2～25的类一维纳米颗粒。近年来，金纳米棒因其独特的依赖于形貌的各向异性光学性质、较大的散射截面、极高的表面电场强度增强效应、优良的生物性能和连续可调的光热转化效率收到越来越多的关注，并被广泛研究用于太阳能捕获、光伏发电、感测、细胞成像、肿瘤治疗等。探寻快速、简便、可扩展和可靠的金纳米棒合成方法，熟悉金纳米棒生长机理对于探寻其实际应用至关重要。
金纳米棒优异的光学特性几乎都源于它的局域表面等离子体共振(LocalizedSurface Plasmon Resonance,LSPR)效应。金纳米棒的各向异性导致电子在金纳米棒的所有方向上的极化程度不同。其中金纳米棒在短轴和长轴方向上均具有独立的电子集体振动，沿着棒短轴的电子通常会与510～530nm范围内的光发生共振，称之为横向表面等离子体共振吸收 (TSPR)。TSPR带对棒的长径比的依赖性较小，并且TSPR带是固定的并且阵列强度较弱。然而，纵向LSPR带对周围介质的折射率非常敏感，随着金纳米棒长径比的增加，纵向LSPR 峰具有明显的红移，纵向共振峰可从可见光区域(550nm)至近红外(1550nm)范围实现人为的连续的调节。这使得纵向LSPR在金纳米棒的光学性质中起主导作用。相比于各向同性的金纳米颗粒，金纳米棒在近红外区也表现出强烈且可调控的光吸收特性，使得金纳米棒在近红外光吸收成像、癌症诊断等领域有更广泛的应用前景。纵向LSPR增强后，吸收能可以向金纳米棒释放大量能量，并且以非辐射形式快速产生高热量释放到周围环境，因此金纳米棒可以设计用来治疗重大疾病。纵向LSPR对金纳米棒具有很强的表面电场增强作用，根据电磁增强理论，金纳米棒可以用作拉曼增强剂来增强表面附近的分子拉曼散射(表面增强拉曼散射，SERS)，使之可以用作生物医学成像或检测的SERS基底材料。
然后，金纳米棒的合成同时需要热力学和动力学控制，前者控制结晶面稳定而后者控制晶体的各向异性生长，这大大增加实际合成中需要考虑的参数数量。生产高质量的金纳米棒不仅需要考虑平均粒径，更需要考虑长度、长径比、还原率(还原多少Au前驱体)和形状产率(所形成的金纳米棒的比例)等更高程度的控制需求。高质量的金纳米棒的合成与其合成工艺中各项参数的比例有重大关系，但目前并没有通过调节金纳米棒的合成工艺中各项参数的比例来优化金纳米棒合成的方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于机器学习的金纳米棒的合成优化方法、装置及存储介质。
本发明所采取的技术方案是：
一方面，本发明实施例包括一种基于机器学习的金纳米棒的合成优化方法，包括：
通过种子生成法合成若干组金纳米棒；
使用紫外-可见光分子吸收光谱分别表征每一组金纳米棒的纵向最佳吸收峰峰位和纵/横最佳吸收峰强度比，以构建数据集；
将所述数据集输入训练好的XGBoost预测模型中进行预测，得到预测结果；
根据所述预测结果，分析金纳米棒合成工艺与吸收光谱性能之间的映射关系；
根据所述预测结果，获取金纳米棒合成工艺中各项参数的重要性排序；
根据所述金纳米棒合成工艺与吸收光谱性能之间的映射关系和金纳米棒合成工艺中各项参数的重要性排序，对金纳米棒的合成进行优化。
进一步地，所述通过种子生成法合成若干组金纳米棒具体为：
改变金纳米棒合成工艺中各项参数的数值，通过种子生成法合成若干组金纳米棒。
进一步地，所述使用紫外-可见光分子吸收光谱分别表征每一组金纳米棒的纵向最佳吸收峰峰位和纵/横最佳吸收峰强度比，以构建数据集这一步骤，包括：
通过透射电子显微镜表征每一组金纳米棒的形貌；
利用紫外可见近红外分光光度计测量每一组金纳米棒的吸收光谱；
根据测量得到的每一组金纳米棒的吸收光谱，获取每一组金纳米棒的纵向最佳吸收峰峰位和纵/横最佳吸收峰强度比，以构建数据集。
进一步地，所述XGBoost预测模型包括XGBoost分类模型和XGBoost回归模型，所述方法还包括：
利用训练好的XGBoost分类模型预测金纳米棒的纵向最佳吸收峰峰位是否大于800nm和预测金纳米棒的纵/横最佳吸收峰强度比是否大于2；
利用训练好的XGBoost回归模型预测金纳米棒的纵向最佳吸收峰峰位值和预测金纳米棒的纵/横最佳吸收峰强度比值。
进一步地，所述训练好的XGBoost分类模型通过以下步骤得到：
使用XGBoost算法构建所述XGBoost分类模型；
对所述数据集进行预处理，并对预处理后的数据集随机分为训练集和验证集；
将所述训练集输入所述XGBoost分类模型中，以对所述XGBoost分类模型进行训练；
将所述验证集输入所述XGBoost分类模型中，以对所述XGBoost分类模型进行验证。
进一步地，所述将所述训练集输入所述XGBoost分类模型中，以对所述XGBoost分类模型进行训练这一步骤，包括：
将所述训练集输入所述XGBoost分类模型中；
通过GridSearchCV函数对超参数子集进行顺序网格搜索，调整所述XGBoost分类模型的参数；
使用AUC指数评估所述XGBoost分类模型的性能。
进一步地，所述训练好的XGBoost回归模型通过以下步骤得到：
使用XGBoost算法构建所述XGBoost回归模型；
对所述数据集进行预处理，并对预处理后的数据集随机分为训练集和验证集；
将所述训练集输入所述XGBoost回归模型中，以对所述XGBoost回归模型进行训练；
将所述验证集输入所述XGBoost回归模型中，以对所述XGBoost回归模型进行验证。
另一方面，本发明实施例还包括一种基于机器学习的金纳米棒的合成优化装置，包括：
合成模块，用于通过种子生成法合成若干组金纳米棒；
构建模块，用于使用紫外-可见光分子吸收光谱分别表征每一组金纳米棒的纵向最佳吸收峰峰位和纵/横最佳吸收峰强度比，以构建数据集；
预测模块，用于将所述数据集输入训练好的XGBoost预测模型中进行预测，得到预测结果；
分析模块，用于根据所述预测结果，分析金纳米棒合成工艺与吸收光谱性能之间的映射关系；
获取模块，用于根据所述预测结果，获取金纳米棒合成工艺中各项参数的重要性排序；
优化模块，用于根据所述金纳米棒合成工艺与吸收光谱性能之间的映射关系和金纳米棒合成工艺中各项参数的重要性排序，对金纳米棒的合成进行优化。
另一方面，本发明实施例还包括一种基于机器学习的金纳米棒的合成优化装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的基于机器学习的金纳米棒的合成优化方法。
另一方面，本发明实施例还包括计算机可读存储介质，其上存储有处理器可执行的程序，所述处理器可执行的程序在被处理器执行时用于实现所述的基于机器学习的金纳米棒的合成优化方法。
本发明的有益效果是：
本发明通过种子生成法合成若干组金纳米棒；使用紫外-可见光分子吸收光谱分别表征每一组金纳米棒的纵向最佳吸收峰峰位和纵/横最佳吸收峰强度比，以构建数据集；然后将数据集输入训练好的XGBoost预测模型中进行预测，得到预测结果；再根据所述预测结果，分析金纳米棒合成工艺与吸收光谱性能之间的映射关系，和获取金纳米棒合成工艺中各项参数的重要性排序；从而能够对金纳米棒的合成进行优化，进而能够指导合成高长径比、高产率、高质量的金纳米棒，加快金纳米棒功能性材料的研发进展。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例所述基于机器学习的金纳米棒的合成优化方法的步骤流程图；
图2为本发明实施例所述通过透射电子显微镜表征的部分高质量金纳米棒的形貌示意图及其吸收峰示意图；
图3为本发明实施例所述通过透射电子显微镜表征的部分低质量金纳米棒的形貌示意图及其吸收峰示意图；
图4为本发明实施例所述其中一个AuNRs的UV-Vis-NIR吸收光谱等离激元共振(SPR) 峰位示意图；
图5为本发明实施例所述树集成模型示意图；
图6为本发明实施例所述通过XGBoost分类模型的预测结果得到的各项参数的重要性排序示意图；
图7为本发明实施例所述通过XGBoost分类模型的预测结果得到的各项参数的重要性排序的另一示意图；
图8为本发明实施例所述通过XGBoost回归模型的预测结果得到的各项参数的重要性排序示意图；
图9为本发明实施例所述通过XGBoost回归模型的预测结果得到的各项参数的重要性排序的另一示意图；
图10为本发明实施例所述在其他制备条件不变的情况下，AuNRs纵向最佳吸收峰峰位随抗坏血酸体积的变化曲线图；
图11为本发明实施例所述在其他制备条件不变的情况下，AuNRs纵/横最佳吸收峰强度比随抗坏血酸体积的变化曲线图；
图12为本发明实施例所述在其他制备条件不变的情况下，AuNRs纵向最佳吸收峰峰位随硝酸银体积体积的变化曲线图；
图13为本发明实施例所述在其他制备条件不变的情况下，AuNRs纵/横最佳吸收峰强度比随硝酸银体积的变化曲线图；
图14为本发明实施例所述AuNRs产物的纵向最佳吸收峰峰位随NaOH体积的变化曲线图；
图15为本发明实施例所述AuNRs产物的纵/横最佳吸收峰强度比随NaOH体积的变化曲线图；
图16为本发明实施例所述AuNRs产物的纵向最佳吸收峰峰位随HCl体积的变化曲线图；
图17为本发明实施例所述AuNRs产物的纵/横最佳吸收峰强度比随HCl体积的变化曲线图；
图18为本发明实施例所述基于机器学习的金纳米棒的合成优化装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数。如果有描述到第一、第二、第三等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参照图1，本发明实施例提出一种基于机器学习的金纳米棒的合成优化方法，包括但不限于以下步骤：
S100.通过种子生成法合成若干组金纳米棒；
S200.使用紫外-可见光分子吸收光谱分别表征每一组金纳米棒的纵向最佳吸收峰峰位和纵/横最佳吸收峰强度比，以构建数据集；
S300.将数据集输入训练好的XGBoost预测模型中进行预测，得到预测结果；
S400.根据预测结果，分析金纳米棒合成工艺与吸收光谱性能之间的映射关系；
S500.根据预测结果，获取金纳米棒合成工艺中各项参数的重要性排序；
S600.根据金纳米棒合成工艺与吸收光谱性能之间的映射关系和金纳米棒合成工艺中各项参数的重要性排序，对金纳米棒的合成进行优化。
本实施例中，关于步骤S100，也就是通过种子生成法合成若干组金纳米棒具体为：改变金纳米棒合成工艺中各项参数的数值，通过种子生成法合成若干组金纳米棒。具体地，种子生长法通过适应成核和生长条件，可以合理设计纳米晶体的形状、尺寸分布和单分散性。种子生长法通常涉及两个步骤：首先制备小尺寸的金纳米颗粒种子；然后将种子添加到包含氯金酸、表面活性剂和还原剂等试剂的生长溶液中，溶液中新还原的Au0将在种子表面逐步生长形成纳米颗粒。第二步中所使用的是化学性质“温和”的还原剂，它们仅在金种子存在的情况下才将Au(III)还原为Au0，因此，新还原得到的Au0只会在金种子的表面上组装，而在溶液中并不会有新的成核出现。此外，由于使用了“温和的”的还原剂，第二步比第一步慢得多，可以重复进行以继续生长过程。在使用种子生长法合成过程中，AuNRs的产率、单分散性和大小受合成工艺中各项参数的影响。例如，向生长液中增加硝酸银会提高AuNRs的产率，通过改变加入抗坏血酸的量，可以控制纳米颗粒从截角立方体到立方体、三八面体、菱形十二面体结构的系统形状演变。在具体的实验合成中，不仅仅生长溶液的成分，原材料的供应商、实验室环境、去离子水质量等都是影响AuNRs质量和产率的可能因素。此外，在纳米材料研究中，由于结构表征的困难(高成本、高耗时、微区结构信息缺乏统计性等)，延长了功能性纳米材料的合成周期，而准确、可重复性地合成高产率且纵向最佳吸收峰处于近红外/红外的AuNRs非常重要。
具体地，本实施例中，使用种子生成法，通过改变AuNRs合成过程中硝酸银体积、抗坏血酸体积、金种体积、金棒水浴时间、金棒水浴温度、金棒搅拌时间、金棒搅拌转速、金棒反应体积、金棒CTAB浓度、金种反应体积、金种CTAB浓度、金种搅拌转速、金种搅拌时间、金种水浴时间、金种水浴温度、浓盐酸体积、NaBH体积和生长液pH值等19个因素合成了310组AuNRs。具体地，参照表1，表1示出了金纳米棒合成过程中改变的参数及其描述。本实施例中，所有的AuNRs都在相同的实验环境下进行，所采用的原材料来源和纯度，去离子水都保持一致。且由于原始实验数据记录没有缺失，数据预处理过程只需要统一单位并进行变量数值化。
表1金纳米棒合成过程中改变的参数及其描述
| 变量名 | 描述 | 变量名 | 描述 |
| f0 | 硝酸银体积 | f10 | 制备金种过程CTAB浓度 |
| f1 | 抗坏血酸体积 | f11 | 制备金种过程搅拌转速 |
| f2 | 制备金棒过程加入的金种体积 | f12 | 制备金种过程搅拌时间 |
| f3 | 制备金棒过程水浴时间 | f13 | 制备金种过程水浴时间 |
| f4 | 制备金棒过程水浴温度 | f14 | 制备金种过程水浴温度 |
| f5 | 制备金棒过程搅拌时间 | f15 | 制备金种过程加入的浓盐酸体积 |
| f6 | 制备金棒过程搅拌转速 | f16 | 制备金种过程加入的NaBH体积 |
| f7 | 制备金棒过程反应总体积 | f17 | 调节生长溶液pH值加入的浓盐酸体积 |
| f8 | 制备金棒过程CTAB浓度 | f18 | 调节生长溶液pH值加入的氢氧化钠体积 |
| f9 | 制备金种过程反应总体积 |
本实施例中，合成AuNRs之后，执行步骤S200，也就是使用紫外-可见光分子吸收光谱分别表征每一组金纳米棒的纵向最佳吸收峰峰位和纵/横最佳吸收峰强度比，以构建数据集。具体地，该过程包括以下步骤：
S201.通过透射电子显微镜表征每一组金纳米棒的形貌；
S202.利用紫外可见近红外分光光度计测量每一组金纳米棒的吸收光谱；
S203.根据测量得到的每一组金纳米棒的吸收光谱，获取每一组金纳米棒的纵向最佳吸收峰峰位和纵/横最佳吸收峰强度比，以构建数据集。
本实施例中，通过透射电子显微镜(TEM，JEOL JEM-2010HR)表征每一组金纳米棒的形貌，工作电压为200kV。使用紫外可见近红外分光光度计(UV-Vis-NIR，UV-3150)测量每一组金纳米棒的吸收光谱，并记录每一组金纳米棒的纵向最佳吸收峰峰位和纵/横最佳吸收峰强度比。参照图2、图3和图4，其中，图2示出了通过透射电子显微镜表征的部分高质量金纳米棒的形貌示意图及其吸收峰示意图，图3示出了通过透射电子显微镜表征的部分低质量金纳米棒的形貌示意图及其吸收峰示意图，图4示出了为其中一个AuNRs的 UV-Vis-NIR吸收光谱。
本实施例中，构建得到数据集以后，将执行步骤S300，也就是将数据集输入训练好的 XGBoost预测模型中进行预测，得到预测结果。本实施例中，XGBoost预测模型包括XGBoost 分类模型和XGBoost回归模型，其中，利用训练好的XGBoost分类模型可预测金纳米棒的纵向最佳吸收峰峰位是否大于800nm和预测金纳米棒的纵/横最佳吸收峰强度比是否大于2；利用训练好的XGBoost回归模型预测可金纳米棒的纵向最佳吸收峰峰位值和预测金纳米棒的纵 /横最佳吸收峰强度比值。
本实施例中，使用XGBoost算法构建XGBoost分类模型和XGBoost回归模型。首先，对XGBoost算法进行说明。XGBoost(Extreme Gradient Boosting)是在GBDT的回归和分类问题算法的基础上发展起来的。与GBDT类似，XGBoost算法的基本思想是不断进行特征分裂以生长一棵树，每一轮学习生长一棵树，该过程即拟合上一轮模型中预测值与实际值间的残差。
具体地，对给定的包含n个样本和m个特征的数据集
树集成模型(如图5所示)使用K个加性函数预测输出
式(1)中，
表示包含所有树的函数的空间。q 表示将样本映射到相应叶索引的每棵树的结构，T表示回归树的叶子数量。每个函数fk对应一个独立的树结构q和叶权重w。fk(xi)表示第k个树对第i个样本给出的预测分数，函数fk可以通过最小化目标函数L来学习模型：
式(2)中L是训练损失函数，用于衡量预测值
与真实值yi之间的差。式(3)中Ω通过正则化惩罚模型复杂度以防止过度拟合，γ和λ分别表示正则化程度。
用
表示第t次迭代中第i个实例的预测值，则需要添加ft以最小化L:
使用二阶泰勒展开并移除常数项得到：
式(5)中，
它们分别是l的一阶和二阶偏导数。定义Ij＝{i|q(xi)＝j}表示每个叶节点j上的样本数据集合，则
对于固定的树结构q(x)，叶子结点j的最优权值
及对应的目标函数最优值分别为
式(7)和式(8)中，
L*(q)可以作为评分函数衡量该构建的树结构对应的预测能力。由于事实上不可能枚举出所有的树结构，因此该模型将借助贪心算法在叶子上迭代式添加分支节点扩展决策树。假设一个叶子结点被分裂出左右两个子节点，这两个子节点的样本集IL,IR和父节点的样本集I满足I＝IL∪IR，通过列举出所有可行的分割点并选择出最小的目标函数和最大的增益分区，得到增益公式表达式：
式(9)通常在实践中用于计算和选择候选分裂点。
本实施例中，通过XGBoost算法建立XGBoost分类模型时，以800nm作为纵向最佳吸收峰峰位的截断值，以2作为纵/横最佳吸收峰强度比的截断值。具体地，使用XGBoost算法训练XGBoost分类模型，以让其学习判别纵向最佳吸收峰峰位>800nm vs，纵向最佳吸收峰峰位≤800nm以及纵/横最佳吸收峰强度比>2vs，纵/横最佳吸收峰强度比≤2的能力。输入特征(金纳米棒合成过程中的各项参数)的维数为19维，参照表1，表1为每个特征的名称及说明。由于XGBoost是树结构模型，不依赖于距离的度量，因此不需要对数据进行归一化/离散化。本实施例中，XGBoost调参过程是通过使用scikit-learn包中的GridSearchCV函数对超参数子集进行顺序网格搜索来进行，以找到最佳参数。在XGBoost模型的训练过程中，主要调整了以下参数以最优化模型的性能：
(1)n_estimators，定义了训练中的迭代次数。n_estimator较小时将导致拟合不足，使模型无法充分利用其学习能力，太大的n_estimators会导致过度拟合；
(2)min_child_weight，表示子树观测权重之和的最小值，该值越大，算法越保守；
(3)max_depth，树的最大深度，树越深，模型越复杂，不过更可能过拟合；
(4)Subsample，控制每棵树中随机采样的比例，减小该参数的值时算法将更加保守并可以避免过拟合；
(5)colsample_bytree，用于控制每棵树随机采样的列数的占比；
(6)learning_rate，衡量更新中使用的步长收缩，以防止过拟合。
具体地，本实施例中，对构建得到的310组AuNRs经过数据预处理后，选择了272条合格数据，随机分为训练集(70％)和验证集(30％)。其中，训练集用于对XGBoost分类模型进行训练，验证集用于对XGBoost分类模型进行验证，具体地，本实施例中，在对XGBoost 分类模型的训练和验证过程中，采用了收缩技术和列(特征)二次采样，以进一步避免过拟合，从而提高了XGBoost分类模型的泛化能力，并最终显著减少了验证集中的错误分类。
具体地，在对XGBoost分类模型的训练过程中，首先初始化所有超参数，然后通过网格搜索的方式对其进行调整以找到最佳参数，详细的参数选择如表2所示。模型在训练集中完成学习后，在验证集中评估模型的辨别能力。本实施例中，使用AUC指数评估XGBoost分类模型的性能，AUC值可以直观地评估XGBoost分类模型的判别能力，当AUC值为1.0时表示模型可以完美区分阳性和阴性样本，而当AUC值为0.5时表示模型没有任何判别能力。
参照图6和图7，根据XGBoost分类模型预测结果，发现当预测AuNRs的纵向最佳吸收峰峰位是否大于800nm时，硝酸银体积(f0)和抗坏血酸体积(f1)是最重要的影响因素，制备金棒过程搅拌时间(f5)、制备金棒过程搅拌转速(f6)和制备金棒过程水浴时间(f3) 也是影响目标变量的主要因素。而在预测金纳米棒纵/横最佳吸收峰强度比是否大于2时，重要性前五的因素排序分别为抗坏血酸体积(f1)、硝酸银体积(f0)、制备金棒过程水浴时间(f3)、调节生长溶液pH值加入的浓盐酸体积(f17)和制备金种过程水浴温度(f14)。
表2 XGBoost分类模型的详细的参数配置
本实施例中，同样地，通过XGBoost算法先建立XGBoost回归模型，然后对构建得到的数据集进行预处理后，随机分为训练集(70％)和验证集(30％)。其中，训练集用于对XGBoost 回归模型进行训练，验证集用于对XGBoost回归模型进行验证。同样地，本实施例采用R2来评估XGBoost回归模型的性能。与XGBoost分类模型不同的是，XGBoost回归模型能够直接预测出金纳米棒的纵向最佳吸收峰峰位值和预测金纳米棒的纵/横最佳吸收峰强度比值。
参照图8和图9，根据XGBoost回归模型预测结果，发现当预测AuNRs纵向最佳吸收峰峰位时，抗坏血酸体积(f1)和硝酸银体积(f0)分别是影响目标变量的最重要因素，制备金棒过程搅拌时间(f5)、制备金棒过程CTAB浓度(f8)和制备AuNRs过程水浴时间(f3) 是影响纵向最佳吸收峰峰位的较为重要因素。当预测AuNRs纵/横最佳吸收峰强度比时，抗坏血酸体积(f1)和硝酸银体积(f0)是影响目标变量的最重要因素，制备AuNRs水浴时间 (f3)、制备AuNRs过程搅拌时间(f5)、调节生长溶液pH值加入的浓盐酸体积(f17)和制备AuNRs过程CTAB浓度(f8)对AuNRs纵/横最佳吸收峰强度比起比较重要的影响。
根据XGBoost分类模型XGBoost回归模型的预测结果，硝酸银体积(f0)和抗坏血酸体积(f1)始终对AuNRs的吸收光谱特性起非常重要的影响。使用种子生长法制备AuNRs时的关键点之一是使用弱还原剂，金的还原仅发生在生长液中现有的核上，同时核也起着催化剂的作用。虽然一些研究人员提出使用对苯二酚、胺作为还原剂，但是最广泛使用的还原剂仍然是抗坏血酸(ascorbic acid,AA)，这也是本发明实施例合成AuNRs时所选择的还原剂。实验过程中使用四氯金酸HAuCl4来合成金纳米颗粒，使得溶液中涉及三种不同的氧化态：前驱体Au(III)、中间体Au(I)和Au(0)。在所有三个Au氧化态之间有一个额外的平衡，
根据混合物中每种物质的相对稳定性，可以将该平衡反应推向归中反应或歧化反应。其中，Au(I)是最稳定的状态，意味着当Au(III)存在时AuNRs或其他金纳米颗粒存在时会被氧化。在向含有HAuCl4和CTAB混合物的生长溶液中添加抗坏血酸后，溶液中Au(III)被还原成Au(I)，溶液变为无色。这一步确保了在将金棒种子注入到该生长溶液中时避免了种子因归中反应而被氧化。更重要的是还原剂不能将Au(I)还原为Au0，因此可以防止生长过程中的二次成核。实际上，金棒种子会作为最终还原步骤的催化剂，从而只在其表面诱导Au(I)的还原。对此有两种可能的机制：(1)金种催化的歧化反应产生Au0和Au(III)，Au(III)被残留的还原剂再次还原成Au(I)；(2)Au0表面从还原剂中吸收电子并催化Au(I)原位还原。应当指出的是，抗坏血酸具有pH依赖性的还原电位，在酸性条件下较低，而在碱性环境下较高，这种机理已被用于调节AuNRs的生长。
事实上，当pH大于9时，即使在没有种子的情况下，抗坏血酸也能够将Au(I)还原为Au0，而破坏种子的生长机制。图10为在其他制备条件不变的情况下，AuNRs纵向最佳吸收峰峰位随抗坏血酸体积的变化曲线图，图11为在其他制备条件不变的情况下，AuNRs纵/横最佳吸收峰强度比随抗坏血酸体积的变化曲线图，从图10和图11可以看出，两纵坐标变量都随抗坏血酸体积发生较大的变化，纵向最佳吸收峰峰位从650nm变化到1050nm，纵/横最佳吸收峰强度比最小为0.2左右，而最大比达3.5。随着抗坏血酸量的增加，金纳米棒纵向最佳吸收峰有先红移再蓝移的趋势，而AuNRs的产率也会逐渐增加，当抗坏血酸浓度太高时，也会导致AuNRs长径比的降低。
使用种子生长法生成AuNRs时，向生长液中增加硝酸银会提高AuNRs的产率，同时硝酸银的使用也可以用来控制AuNRs的长宽比。目前，硝酸银在单晶AuNRs的合成中的具体机理仍不清楚，主要存在三种解释：(1)欠电位沉积；(2)Ag[BrCTA]2复合物的形成，该复合物在生长的种子侧面作为特定晶面的封端剂；(3)通过银-溴相互作用来修饰CTAB胶束形成。事实证明，Ag+离子对于单晶AuNRs的合成至关重要。Ag+离子的存在会增加金属还原对纳米棒尖端的选择性(动力学上影响对称性破缺)并稳定侧面(热力学稳定的最终产物)。根据图12和图13的结果，增加硝酸银的量会导致AuNRs纵向LSPR出现明显的红移，而AuNRs的产率有先增加后减少的趋势。在不存在Ag+离子的情况下生成的AuNRs会转化为球形颗粒，Ag+离子以AgBr的形式吸附在金纳米颗粒表面，限制了其生长并稳定了AuNRs 表面。
除以上两个因素外，制备金棒过程搅拌时间(f5)、制备金棒过程水浴时间(f3)、制备金棒过程CTAB浓度(f8)、制备金棒过程搅拌转速(f6)、制备金种过程水浴时间(f13)、制备金棒过程水浴温度(f4)、调节生长溶液pH值时加入的浓盐酸体积(f17)也是影响AuNRs吸收光谱特性的重要因素。AuNRs的生长通常以缓慢的动力学为特征，这意味需要几个小时才能完成颗粒的生长。AuNRs可以在更高的温度下合成，但是通常需要选择适度的反应温度，这可以减慢还原速度并实现更窄的尺寸分布。确定生长液的物质比例后需要考虑的两个重要问题就是扩散和温度。其中扩散与试剂的混合速率有关，添加种子后，应确保生长颗粒均匀分布在溶液中。生长液的pH会影响抗坏血酸的还原电位，这种机理已被用于调节AuNRs的生长。有关AuNRs合成的研究中指出了所使用的去离子水的重要性，不仅是需要排除水中杂质的影响，水的pH值也是重要的考虑因素。较低的pH值将减慢生长动力学，从而导致较高的长径比。图14和图15分别为AuNRs产物的纵向最佳吸收峰峰位和纵/横最佳吸收峰强度比随NaOH体积的变化曲线图；图16和图17分别为AuNRs产物的纵向最佳吸收峰峰位和纵/横最佳吸收峰强度比随HCl体积的变化曲线图；参照图14、图15图、16和图17，加入NaOH时AuNRs的纵向LSPR峰都在可见光区域，而当加入HCl时，AuNRs的纵向最佳峰可达到近红外/红外区域。
本实施例中，选用CTAB(Hexadecyltrimethylammonium bromide,C19H42BrN)作为AuNRs 合成过程中的表面活性剂。在合适的浓度下，CTAB会形成棒状胶束，从而诱导球形种子的各向异性生长，这使得CTAB可用作特定晶面的封端剂。研究表明，在AuNRs的形成过程中， CTAB表面活性剂的溴胺类比CTA+阳离子起更大的作用，即存在临界的Br-/Au(III)比(约200) 可以形成具有最大长径比的AuNRs，超过此值时，AuNRs产物的长径比将会降低。根据配体场理论，Au(III)与卤离子的络合强度遵循I->Br->Cl-，在存在CTAB的情况下，AuCl4 -中的四个氯化物配体最终将被表面活性剂中的溴离子取代：
反应为生长液从浅黄色到深橙色-黄色的颜色变化。AuCl4 -到AuBr4 -配体交换和AuBr4 --CTA复合物的形成都会影响其氧化还原电位，这些电位被阴极转移，氧化还原电位的这种变化将影响生长动力学过程。因此，具体的实验合成过程中需要考虑溶液中各种物质的比例。
总之，AuNRs的形成机制一直是一个非常令人感兴趣的问题，通用的力学模型能够帮助确定每种纳米结构的合成途径设计的具体指导原则。合成各向异性结构如AuNRs时，对称性破缺是非常重要的一步。AuNRs的合成同时需要热力学和动力学控制，前者控制结晶面稳定而后者控制晶体的各向异性生长，这大大增加实际合成中需要考虑的参数数量。生产高质量的AuNRs不仅需要考虑平均粒径，更需要考虑长度、长径比、还原率(还原多少Au前驱体) 和形状产率(所形成的AuNRs的比例)等更高程度的控制需求。
本发明实施例提出的一种基于机器学习的金纳米棒的合成优化方法具有以下技术效果：
本发明实施例通过种子生成法合成若干组金纳米棒；使用紫外-可见光分子吸收光谱分别表征每一组金纳米棒的纵向最佳吸收峰峰位和纵/横最佳吸收峰强度比，以构建数据集；然后将数据集输入训练好的XGBoost预测模型中进行预测，得到预测结果；再根据所述预测结果，分析金纳米棒合成工艺与吸收光谱性能之间的映射关系，和获取金纳米棒合成工艺中各项参数的重要性排序；从而能够对金纳米棒的合成进行优化，进而能够指导合成高长径比、高产率、高质量的金纳米棒，加快金纳米棒功能性材料的研发进展。
本发明实施例还提出一种基于机器学习的金纳米棒的合成优化装置，包括：
构建模块，用于使用紫外-可见光分子吸收光谱分别表征每一组金纳米棒的纵向最佳吸收峰峰位和纵/横最佳吸收峰强度比，以构建数据集；
预测模块，用于将所述数据集输入训练好的XGBoost预测模型中进行预测，得到预测结果；
分析模块，用于根据所述预测结果，分析金纳米棒合成工艺与吸收光谱性能之间的映射关系；
获取模块，用于根据所述预测结果，获取金纳米棒合成工艺中各项参数的重要性排序；
优化模块，用于根据所述金纳米棒合成工艺与吸收光谱性能之间的映射关系和金纳米棒合成工艺中各项参数的重要性排序，对金纳米棒的合成进行优化。
图1所示的方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与图1所示的方法实施例相同，并且达到的有益效果与图1所示的方法实施例所达到的有益效果也相同。
参照图18，本发明实施例还提供了一种基于机器学习的金纳米棒的合成优化装置200，具体包括：
至少一个处理器210；
至少一个存储器220，用于存储至少一个程序；
当至少一个程序被至少一个处理器210执行，使得至少一个处理器210实现如图1所示的方法。
其中，存储器220作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。存储器220可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器220可选包括相对于处理器210远程设置的远程存储器，这些远程存储器可以通过网络连接至处理器210。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
可以理解到，图18中示出的装置结构并不构成对装置200的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图18所示的装置200中，处理器210可以调取存储器220中储存的程序，并执行但不限于图1所示实施例的步骤。
以上所描述的装置200实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现实施例的目的。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有处理器可执行的程序，处理器可执行的程序在被处理器执行时用于实现如图1所示的方法。
本申请实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
可以理解的是，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据) 的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD) 或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种基于机器学习的金纳米棒的合成优化方法，其特征在于，包括：
通过种子生成法合成若干组金纳米棒；
使用紫外-可见光分子吸收光谱分别表征每一组金纳米棒的纵向最佳吸收峰峰位和纵/横最佳吸收峰强度比，以构建数据集；
将所述数据集输入训练好的XGBoost预测模型中进行预测，得到预测结果；
根据所述预测结果，分析金纳米棒合成工艺与吸收光谱性能之间的映射关系；
根据所述预测结果，获取金纳米棒合成工艺中各项参数的重要性排序；
根据所述金纳米棒合成工艺与吸收光谱性能之间的映射关系和金纳米棒合成工艺中各项参数的重要性排序，对金纳米棒的合成进行优化。
2.根据权利要求1所述的一种基于机器学习的金纳米棒的合成优化方法，其特征在于，所述通过种子生成法合成若干组金纳米棒具体为：
改变金纳米棒合成工艺中各项参数的数值，通过种子生成法合成若干组金纳米棒。
3.根据权利要求1所述的一种基于机器学习的金纳米棒的合成优化方法，其特征在于，所述使用紫外-可见光分子吸收光谱分别表征每一组金纳米棒的纵向最佳吸收峰峰位和纵/横最佳吸收峰强度比，以构建数据集这一步骤，包括：
利用紫外可见近红外分光光度计测量每一组金纳米棒的吸收光谱；
根据测量得到的每一组金纳米棒的吸收光谱，获取每一组金纳米棒的纵向最佳吸收峰峰位和纵/横最佳吸收峰强度比，以构建数据集。
4.根据权利要求1所述的一种基于机器学习的金纳米棒的合成优化方法，其特征在于，所述XGBoost预测模型包括XGBoost分类模型和XGBoost回归模型，所述方法还包括：
利用训练好的XGBoost分类模型预测金纳米棒的纵向最佳吸收峰峰位是否大于800nm和预测金纳米棒的纵/横最佳吸收峰强度比是否大于2；
利用训练好的XGBoost回归模型预测金纳米棒的纵向最佳吸收峰峰位值和预测金纳米棒的纵/横最佳吸收峰强度比值。
5.根据权利要求4所述的一种基于机器学习的金纳米棒的合成优化方法，其特征在于，所述训练好的XGBoost分类模型通过以下步骤得到：
使用XGBoost算法构建所述XGBoost分类模型；
对所述数据集进行预处理，并对预处理后的数据集随机分为训练集和验证集；
将所述训练集输入所述XGBoost分类模型中，以对所述XGBoost分类模型进行训练；将所述验证集输入所述XGBoost分类模型中，以对所述XGBoost分类模型进行验证。
6.根据权利要求5所述的一种基于机器学习的金纳米棒的合成优化方法，其特征在于，所述将所述训练集输入所述XGBoost分类模型中，以对所述XGBoost分类模型进行训练这一步骤，包括：
将所述训练集输入所述XGBoost分类模型中；
通过GridSearchCV函数对超参数子集进行顺序网格搜索，调整所述XGBoost分类模型的参数；
使用AUC指数评估所述XGBoost分类模型的性能。
7.根据权利要求4所述的一种基于机器学习的金纳米棒的合成优化方法，其特征在于，所述训练好的XGBoost回归模型通过以下步骤得到：
使用XGBoost算法构建所述XGBoost回归模型；
对所述数据集进行预处理，并对预处理后的数据集随机分为训练集和验证集；
将所述训练集输入所述XGBoost回归模型中，以对所述XGBoost回归模型进行训练；将所述验证集输入所述XGBoost回归模型中，以对所述XGBoost回归模型进行验证。
8.一种基于机器学习的金纳米棒的合成优化装置，其特征在于，包括：
合成模块，用于通过种子生成法合成若干组金纳米棒；
构建模块，用于使用紫外-可见光分子吸收光谱分别表征每一组金纳米棒的纵向最佳吸收峰峰位和纵/横最佳吸收峰强度比，以构建数据集；
预测模块，用于将所述数据集输入训练好的XGBoost预测模型中进行预测，得到预测结果；
分析模块，用于根据所述预测结果，分析金纳米棒合成工艺与吸收光谱性能之间的映射关系；
获取模块，用于根据所述预测结果，获取金纳米棒合成工艺中各项参数的重要性排序；
优化模块，用于根据所述金纳米棒合成工艺与吸收光谱性能之间的映射关系和金纳米棒合成工艺中各项参数的重要性排序，对金纳米棒的合成进行优化。
9.一种基于机器学习的金纳米棒的合成优化装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7所述的方法。
10.计算机可读存储介质，其特征在于，其上存储有处理器可执行的程序，所述处理器可执行的程序在被处理器执行时用于实现如权利要求1-7所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110889167.8A CN113988354A (zh) | 2021-08-04 | 2021-08-04 | 基于机器学习的金纳米棒的合成优化方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110889167.8A CN113988354A (zh) | 2021-08-04 | 2021-08-04 | 基于机器学习的金纳米棒的合成优化方法、装置及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113988354A true CN113988354A (zh) | 2022-01-28 |
Family
ID=79735083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110889167.8A Pending CN113988354A (zh) | 2021-08-04 | 2021-08-04 | 基于机器学习的金纳米棒的合成优化方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113988354A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116441554A (zh) * | 2023-04-19 | 2023-07-18 | 珠海凤泽信息科技有限公司 | 一种基于强化学习的金纳米棒AuNRs合成方法、系统 |
| CN116493600A (zh) * | 2023-06-28 | 2023-07-28 | 珠海凤泽信息科技有限公司 | 一种基于启发式搜索算法Astar的金纳米棒合成方法、系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110674598A (zh) * | 2019-08-26 | 2020-01-10 | 江苏师范大学 | 一种基于支持向量机和粒子群算法的注塑工艺优化方法 |
| CN111242302A (zh) * | 2019-12-27 | 2020-06-05 | 冶金自动化研究设计院 | 一种智能参数优化模块的XGBoost预测方法 |
| CN111286599A (zh) * | 2020-03-27 | 2020-06-16 | 西安交通大学 | 基于机器学习的合金热处理工艺优化方法 |
| CN112100940A (zh) * | 2020-09-17 | 2020-12-18 | 浙江大学 | 光纤预制棒一次拉伸工艺参数预测方法及装置 |
| CN112382352A (zh) * | 2020-10-30 | 2021-02-19 | 华南理工大学 | 基于机器学习的金属有机骨架材料结构特征快速评估方法 |
-
2021
- 2021-08-04 CN CN202110889167.8A patent/CN113988354A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110674598A (zh) * | 2019-08-26 | 2020-01-10 | 江苏师范大学 | 一种基于支持向量机和粒子群算法的注塑工艺优化方法 |
| CN111242302A (zh) * | 2019-12-27 | 2020-06-05 | 冶金自动化研究设计院 | 一种智能参数优化模块的XGBoost预测方法 |
| CN111286599A (zh) * | 2020-03-27 | 2020-06-16 | 西安交通大学 | 基于机器学习的合金热处理工艺优化方法 |
| CN112100940A (zh) * | 2020-09-17 | 2020-12-18 | 浙江大学 | 光纤预制棒一次拉伸工艺参数预测方法及装置 |
| CN112382352A (zh) * | 2020-10-30 | 2021-02-19 | 华南理工大学 | 基于机器学习的金属有机骨架材料结构特征快速评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 马凯: "聚酯纤维生产过程工艺参数的智能配置", 《东华大学硕士学位论文》, 15 January 2020 (2020-01-15), pages 40 - 57 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116441554A (zh) * | 2023-04-19 | 2023-07-18 | 珠海凤泽信息科技有限公司 | 一种基于强化学习的金纳米棒AuNRs合成方法、系统 |
| CN116493600A (zh) * | 2023-06-28 | 2023-07-28 | 珠海凤泽信息科技有限公司 | 一种基于启发式搜索算法Astar的金纳米棒合成方法、系统 |
| CN116493600B (zh) * | 2023-06-28 | 2023-09-08 | 珠海凤泽信息科技有限公司 | 一种基于启发式搜索算法Astar的金纳米棒合成方法、系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yu et al. | Plasmon-enhanced light–matter interactions and applications | |
| CN113988354A (zh) | 基于机器学习的金纳米棒的合成优化方法、装置及介质 | |
| Park et al. | Plasmon enhancement of luminescence upconversion | |
| Yamanaka et al. | Optical properties of diatom silica frustule with special reference to blue light | |
| Krauss et al. | Controlled growth of high-aspect-ratio single-crystalline gold platelets | |
| CN101281133B (zh) | 具有大面积微纳树状结构阵列的表面增强拉曼活性基底的制备方法 | |
| Saade et al. | Synthesis of silver nanoprisms: a photochemical approach using light emission diodes | |
| Ouyang et al. | Low-temperature approach to high-yield and reproducible syntheses of high-quality small-sized PbSe colloidal nanocrystals for photovoltaic applications | |
| Lin et al. | Width and length dependent SERS performance of core-shell Au@ Ag nanorod self-assembled monolayers | |
| Sahu et al. | Optimized Au NRs for efficient SERS and SERRS performances with molecular and longitudinal surface plasmon resonance | |
| Sun et al. | Selective synthesis of gold cuboid and decahedral nanoparticles regulated and controlled by Cu2+ ions | |
| Kamakura et al. | Plasmonic–photonic hybrid modes excited on a titanium nitride nanoparticle array in the visible region | |
| Peruffo et al. | Plexcitonic nanohybrids based on gold nanourchins: The role of the capping layer | |
| Gao et al. | Up-conversion luminescence enhanced by the plasmonic lattice resonating at the transparent window of water | |
| Gao et al. | Single-layer gold nanoparticle film enhances the upconversion luminescence of a single NaYbF4: 2% Er3+ microdisk | |
| CN104722773B (zh) | 刺形金纳米粒子的制备方法及用该方法制备的刺形金纳米粒子 | |
| Hu et al. | Plasmonic metal oxides and their biological applications | |
| Ghanem et al. | Recent progress of gold nanostructures and their applications | |
| Wang et al. | Optical properties of Ag nanoparticle-polymer composite film based on two-dimensional Au nanoparticle array film | |
| Lee et al. | Synthesis of visible light-sensitive ZnO nanostructures: subwavelength waveguides | |
| Im et al. | Metastable quantum dot for photoelectric devices via flash-induced one-step sequential self-formation | |
| Cheng et al. | Facile synthesis of large-scale TiO2 nanorod arrays decorated with Ag nanoparticles as sensitive 3D SERS substrates | |
| Jiao et al. | Core-shell Au@ Ag nanodendrites supported on TiO 2 nanowires for blue laser beam-excited SERS-based pH sensing | |
| Ding et al. | Investigation of plasmonic-enhanced solar photothermal effect of Au NR@ PVDF micro-/nanofilms | |
| Zhu et al. | Simulation of LSPR optical and electric field enhancement distribution based on gold nanobipyramids using a modified nanosphere |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |