Методы машинного обучения для разработки фотолюминесцентного мультимодального наносенсора на основе углеродных точек

Почему крошечные светящиеся точки могут помочь очистить нашу воду

Тяжёлые металлы и избыток нитратов в воде невидимы невооружённым глазом, но они могут незаметно повреждать экосистемы и здоровье людей. Проверка сразу на множество ионов обычно требует медленных лабораторных анализов и громоздкого оборудования. В этой статье описан новый тип «умного» оптического датчика, собранного из углеродных точек — наноразмерных светящихся частиц — в сочетании с современными методами машинного обучения. Вместе они образуют компактную систему, способную по одному вспышке света определить смесь нескольких вредных ионов в воде.

Создание светового сторожа для воды

Сердцем датчика является раствор углеродных точек, полученных из недорогих исходных веществ: лимонной кислоты и этилендиамина, обработанных в простой высокотемпературной водной реакции. Эти частицы имеют примерно 10 нанометров в размере и сильно светятся при освещении — свойство, известное как фотолюминесценция. Их свечение чрезвычайно чувствительно к химической среде. При наличии в воде различных ионов металлов и нитрата они тускнеют и слегка изменяют форму испускаемого света в зависимости от того, какие ионы присутствуют и в каких концентрациях. Авторы подготовили тысячи образцов воды с фиксированным содержанием углеродных точек и разными смесями шести ионов тяжёлых металлов (медь, никель, кобальт, свинец, алюминий, хром) плюс нитрат, охватывая диапазоны, важные для промышленной сточной воды.

Преобразование сложных цветов в понятные числа

Вместо того чтобы измерять только один цвет света, команда записала полные «картограммы возбуждение–излучение» для каждого образца: двумерные спектры, показывающие, насколько сильно точки светятся при многих сочетаниях входных и выходных длин волн. Каждая карта содержала более пяти тысяч точек данных и служила отпечатком состава ионов в воде. Проблема в том, что эти отпечатки перекрываются: все ионы как правило тушат свечение и смещают его в сторону красного, но в разной степени. Вместо попыток аналитически распутать это, исследователи обучили набор моделей машинного обучения, чтобы они усвоили скрытые закономерности, связывающие спектральные отпечатки с концентрациями семи ионов.

Нейронные сети как расшифровщики спектров

Авторы сравнили несколько типов моделей: обычные многослойные персептроны, одномерные и двумерные сверточные нейронные сети, решающие деревья с бустингом градиента, линейную регрессию и новую конструкцию, называемую сетью Колмогорова–Арнольда, которую проще визуализировать. Они также проверили, сколько спектральной детализации действительно нужно моделям — от одного спектра излучения до полных двумерных карт. Сверточные сети, которые особенно хороши в распознавании паттернов на изображениях, показали лучшую производительность при подаче полных карт, достигая средних абсолютных ошибок значительно ниже 2 миллимолей на литр для всех металлов и около 2,4 миллиммоль/л для нитрата. Такой уровень точности достаточен для мониторинга типичных значений, встречающихся при электролитическом покрытии металлов и в других промышленных стоках.

Повторное использование знаний с помощью переносного обучения

Сбор больших высококачественных наборов данных, подобных этим, трудоёмок. Чтобы снизить эту нагрузку, команда изучила переносное обучение: повторное использование сети, обученной на более простой задаче с шестью ионами, для ускорения обучения на более сложной задаче с семью ионами, где добавлен свинец. Они взяли многослойные персептроны, ранее обученные распознавать шесть ионов, и дообучили их на большем наборе данных. Адаптированные сети достигли по сути той же точности, что и модели, обученные с нуля, но примерно за вдвое меньше времени обучения, снижая вычислительные затраты без потери качества. Любопытно, что переносное обучение даже помогло оценивать концентрации свинца, хотя свинец отсутствовал в исходной шестиионной задаче, что указывает на то, что сети усвоили общие правила того, как общая картина свечения кодирует эффекты ионов.

Заглядывая внутрь объяснимой модели

В то время как большинство нейронных сетей действуют как чёрные ящики, сети Колмогорова–Арнольда можно представить в виде комбинаций простых одномерных кривых, что делает их более прозрачными. Чтобы воспользоваться этим, авторы сначала свели богатые спектры к нескольким физически значимым параметрам, таким как интенсивность пика, положение пика, ширина и общая площадь в двух направлениях. Обучение сети Колмогорова–Арнольда на этих признаках дало точность, сопоставимую со стандартными методами, хотя и не такую высокую, как у сверточных моделей, работающих с полными спектрами. Существенно, что исследователи могли проследить, как изменяются выходные значения модели при изменении каждой характеристики. Для хрома, например, сеть корректно связала более высокую предсказанную концентрацию с красным смещением и расширением пика и с падением общей яркости — тенденции, соответствующие прямым экспериментальным наблюдениям.

Что это значит для мониторинга воды в реальных условиях

С практической точки зрения, эта работа демонстрирует один компактный световой наносенсор, который может одновременно оценивать уровни шести тяжёлых металлов и нитрата в воде с точностью, достаточной для оперативной проверки промышленных и сточных вод. Датчик основан на дешёвых и стабильных углеродных точках и на моделях машинного обучения, которые можно со временем уточнять и интерпретировать, в том числе повторно используя знания посредством переносного обучения. Если такие системы будут внедрены в надёжные устройства, они смогут предложить непрерывный, в реальном времени мониторинг качества воды при меньших затратах и сложности по сравнению со многими традиционными лабораторными методами, помогая обнаруживать опасное загрязнение до того, как оно достигнет людей и экосистем.

Цитирование: Chugreeva, G., Laptinskiy, K., Guskov, A. et al. Machine learning methods for designing a carbon dot based photoluminescent multimodal nanosensor. Sci Rep 16, 11808 (2026). https://doi.org/10.1038/s41598-026-38266-4

Ключевые слова: углеродные точки, загрязнение воды, датчики с машинным обучением, обнаружение тяжёлых металлов, фотолюминесцентная спектроскопия