近年來熒光納米傳感器顯示出高靈敏度和選擇性檢測等各種優勢，超過常規電化學方法。然而與熒光納米傳感器相比，碳點（CDs）因其光學傳感的多項優勢，例如易于功能化，寬帶光吸收，出色的光穩定性等，在傳感中占有重要地位。目前制造CDs的主要方法是水熱法或溶劑熱法“自下而上”進行制備。大量研究表明了熒光量子產率（QYs）可以鑒定高質量CDs，高QYs CDs的制備取決于許多參數的調整，例如反應溫度，前體質量，升溫速率和反應時間等。然而，目前文獻中報道的CDs制備通常是通過調節反應參數并固定其他反應因子來優化制備。他們通常缺乏分析復雜關系的有效方法。因此，了解生產過程的關鍵因素是合成高QYs CDs的中心問題，并且需要通過某些轉化方式獲得其內在聯系。如今機器學習（ML）已成功用于篩選高性能材料，它是一種人工智能，因其處理大量數據的出色性能，逐漸作為一種強大而通用的工具而受到了廣泛的關注。已經應用于眾多研究領域，主要用于發現創新材料。但由于合成過程高度復雜且數據較少，因此ML輔助合成的研究仍較少，所以將ML引入高QYs CDs合成以加快勘探周期并降低成本的潛力值得研究。
鑒于此，上海大學吳明紅課題組提出了一種機器學習策略，可以成功地預測，優化和加速CDs的合成過程。建立了水熱合成CDs的回歸ML模型，闡明CDs反應因子之間的相關性。例如熒光量子產率，通過ML指導和實驗驗證相結合，可以得到QYs高達39.3％的具有強綠色發射的CDs。ML模型進一步揭示了優異的光學性能與前體質量和堿性催化劑的體積密切相關，這與實驗結果十分吻合。更重要的是，現在已將高質量的CDs用作監測Fe3+離子的超靈敏熒光探針，該探針對Fe3+離子顯示出寬的線性響應濃度范圍，展現出其高靈敏度和高選擇性。該工作以“Machine Learning Driven Synthesis of Carbon Dots with Enhanced Quantum Yields”為題發表在ACS Nano上。