厦门大学物理科学与技术学院黄巧玲副教授课题组与中科院温州研究所陈迅博士和哈佛大学/麻省理工学院张兴才博士合作，结合机器学习方法，在TiO2纳米管微图案的制备及其高通量应用研究取得新进展，相关成果以“Machine-learning micropattern manufacturing”为题，发表在Nano Today杂志上（DOI：https://doi.org/10.1016/j.nantod.2021.101152）。
微图案化技术可将具有不同特性的材料微型化并整合到一个样品平台上，进而可以高效的对材料进行高通量筛选。双极电化学法因制备工艺简单，其被广泛用于构建化学/结构梯度变化的微图案。但人们注意到双极电化学反应涉及的影响因素众多且错综复杂，给微图案的优化带来挑战，并限制了其在生物医用材料领域的探索与应用。
图1 （a）双极电化学的原理和实验装置。
（b）制备的梯度TiO2纳米管样品的光学照片和3D模型。
双极电化学法制备梯度TiO2纳米管（TNMs）的原理较简单，即利用双电极（钛）表面电压的梯度变化来实现纳米管尺寸梯度变化的目的（图1）。该方法的关键挑战是如何平衡相关的实验参数并定义实验边界条件，以获得尺寸变化范围最大的梯度纳米管。例如，确定阳极氧化电压边界便是一项挑战，因为在一定电压范围内提高电压有利于扩大TNMs的纳米管的尺寸范围，但高电压也经常引起样品在氧化过程中熔断而导致实验的失败。研究团队利用主动学习来辅助优化这一过程，如图2所示。首先，从实验制备过程中收集了实验参数（特征）和结果（每个TiO2梯度纳米管的最大直径），并将其做为初始数据（培训数据）以进行主动学习。从小数据集开始，利用分类模型将正常数据与异常数据（即样品损坏）区分开来，这有助于定义实验边界。随后，利用回归模型对数据进行分析，并为优化TNMs提供了预测和方向。预测的数据通过实验进行验证，新的结果进一步导入到训练数据集中以用于下一个学习循环。
图2 用于加速TiO2纳米管微图案优化过程的主动学习框架
结果表明，机器学习算法很好地定义了实验边界条件（图3a）；且仅在通过几次迭代，就能获得管径范围为27-470 nm的最佳TNMs（图3b，图4a），即无需进行繁琐的实验即可将梯度纳米管的尺寸范围扩宽到最大程度。
图3 （a）由异常数据点（红色）包围的正常数据点（绿色），（b）机器学习模型预测的和实验测得的最大管径值随迭代次数的变化；R2表示所用GBRT模型的性能随迭代次数的增加而增加。
应用该梯度微图案平台，可实现纳米管尺寸对表面修饰影响的高通量研究。如梯度纳米管表面掺杂银纳米颗粒，随着纳米管尺寸的增大，表面银沉积量有所增加（图4b），这进一步抑制了细菌的粘附生长（图4c, d）。该结果为机器学习算法在加速材料制造和优化方面提供了指导方向。
图4（a）梯度TiO2纳米管样品沉积纳米银颗粒前（a）后（b）不同位置的SEM图像。沉积了纳米银的梯度微图案表面附着的金葡菌（c）和大肠杆菌（d）的SEM图像。
相关成果以“Machine-learning micropattern manufacturing”为题发表在Nano Today杂志上（DOI：https://doi.org/10.1016/j.nantod.2021.101152）。论文第一作者为厦门大学物理学系硕士研究生王斯，通信作者为厦门大学黄巧玲副教授、中科院温州研究所陈迅博士和哈佛大学/麻省理工学院张兴才博士。
图5 论文通讯作者黄巧玲副教授（左二）与研究团队成员合影
文章链接：
https://doi.org/10.1016/j.nantod.2021.101152
