面向半导体纳米晶体实时光学表征的显微镜数据分析中的机器学习

为什么微小晶体与闪烁的光很重要

从智能手机屏幕到太阳能电池，现代技术依赖于能够高效地将光转为电或将电转为光的材料。许多此类器件的核心是半导体纳米晶体——比沙粒小上千倍的微小晶体。当科学家在显微镜下观察这些晶体的发光时，光常常以复杂的方式闪烁或“眨眼”。这项新研究展示了如何用无监督机器学习快速对这种闪烁进行分类和解释，将原本杂乱的数据海洋转化为接近实时评估和改进材料质量的强大工具。

情绪多变的小晶体

若纳米晶体的尺寸、形状和成分相同，人们期望它们表现一致。然而，当通过光致发光显微镜逐个观察它们随时间的亮度时，行为却大相径庭。有些在明暗之间跳动，有些在变亮后逐渐衰减，有些显示更复杂的光学模式。这些差异源于晶体中的缺陷——称为陷阱的结构，它们会暂时捕获载流子并使能量以非发光途径耗散。由于这些陷阱会降低 LED、激光器和太阳能电池的性能，闪烁的具体形式就成为判断材料质量的敏感指纹。

过多闪烁数据带来的挑战

在典型实验中，摄像机每隔几毫秒记录数百个纳米晶体的亮度，持续数分钟，为每个粒子产生数千个数据点。人工对这些闪烁轨迹进行分组并计算详细统计量既耗时又容易产生偏差，也难以扩展到工业需求。传统分析常依赖设定阈值——手动决定什么算“开”或“关”——并只关注一两类行为，导致其他模式被忽视。因此，闪烁中蕴含的大量丰富信息被丢失，要对材料质量得出可靠结论便变得困难。

用于闪烁光的学习机器

作者提出了一套名为 UML-PSD 的工作流程，将无监督机器学习与一种频域分析方法结合。首先，他们将所有闪烁轨迹输入 K-means 聚类算法。不事先告诉算法要找哪类模式，而是让它根据亮度随时间的变化自然发现分组。为使聚类更快且更准确，他们通过在小时间窗口内取平均来平滑和压缩数据，同时保留每条闪烁模式的基本形状。一个独立的“可视与逻辑”模块会自动测试不同的聚类数量和不同的平滑程度，使用统计指标决定到底存在多少种不同的闪烁类别以及它们分离得有多好。

从模式到物理洞见

一旦对闪烁轨迹完成聚类，研究者会提取原始的全长数据并在频域中用功率谱密度（PSD）进行分析。这可以揭示不同时间尺度对闪烁的贡献强弱，并可通过一个指数来概括，该指数反映是慢速、深陷阱占主导还是快速、浅陷阱占主导。将该指数在各个簇间比较，可以将每种闪烁风格与纳米晶体内部的特征陷阱行为联系起来。同样的方法可从单个点扩展到整个晶体集合：通过基于闪烁行为对宽场图像中的像素进行聚类，该方法映射出共同波动的区域，然后构建跨晶粒和晶界的陷阱属性空间图。作者还演示了相同的聚类思路能在完全不同的实验中清晰地分离有用信号与偏差信号——例如分子网络的扫描隧道谱学。

迈向更智能的显微镜与更优的材料

在实际层面，这项研究表明机器学习能够将原始的闪烁视频转化为关于陷阱行为和载流子运动的即时、物理上有意义的摘要。UML-PSD 方法显著减少了分析时间，提高了识别不同闪烁类型的可靠性，并生成了直观的样品优劣区域图。借助未来的升级——比如深度学习、超分辨成像以及与显微镜控制软件的直接集成——这些思路有望驱动“智能显微镜”，实时评估成批纳米晶体。对工业和科研而言，这意味着更快速的筛选、更一致的材料以及通往高性能光电器件的更清晰路径。

引用: Mukherjee, A., Reynaerts, R., Pradhan, B. et al. Machine learning for microscopy data analytics targeting real-time optical characterization of semiconductor nanocrystals. Nat Commun 17, 2361 (2026). https://doi.org/10.1038/s41467-026-68939-7

关键词: 半导体纳米晶体, 光致发光闪烁, 无监督机器学习, 显微镜数据分析, 缺陷陷阱动力学