《Advanced Intelligent Discovery》:Machine-Learning-Assisted Onset-Time Determination in Transient Luminescence Thermometry
编辑推荐:
瞬态发光测温获得的瞬态加热曲线编码了关于纳米尺度热传输的宝贵信息,但由于实验噪声和需要手动信号处理流程,可靠地提取起始时间仍然具有挑战性。在这里,研究人员介绍了一种基于机器学习辅助的框架,用于自动分析使用Ln3+掺杂上转换纳米颗粒(UCN
瞬态发光测温获得的瞬态加热曲线编码了关于纳米尺度热传输的宝贵信息,但由于实验噪声和需要手动信号处理流程,可靠地提取起始时间仍然具有挑战性。在这里,研究人员介绍了一种基于机器学习辅助的框架,用于自动分析使用Ln3+掺杂上转换纳米颗粒(UCNPs)测量的瞬态加热曲线。跨越多个架构系列的神经网络模型(neural-network models)使用平衡数据集进行训练,该数据集结合了822个实验瞬态曲线和822个物理动机合成曲线,旨在将加热动力学多样性扩展到实验可访问变异性之外。研究人员表明,预测鲁棒性主要受训练数据的多样性和物理合理性驱动,而非仅由架构复杂性决定。相对于传统的离散小波变换(DWT)参考流程,性能最佳的模型实现了中位起始时间误差在2秒左右,并且一旦训练完成,每个瞬态曲线的起始时间确定延迟低于1秒。由此产生的框架实现了瞬态发光信号的完全自动化、操作员独立分析,并提供了一种从时间分辨光谱数据中提取热指标的可扩展策略。更广泛地说,该方法为纳米尺度系统和具有集成传感能力的智能材料中动态热过程的数据驱动分析建立了途径。
**论文解读:基于机器学习辅助的瞬态发光测温起始时间自动确定**
**研究背景与问题**
在实验科学中,机器学习(ML)作为人工智能(AI)的核心组成部分,正日益改变着数据分析方式,能够从复杂、噪声、高维数据中提取有意义的信息。发光测温是一种基于发光材料发射特性温度依赖性的远程温度探测技术。三价镧系离子(Ln
3+)由于具有锐利的发射线(光谱宽度低于10nm)、长的激发态寿命(可达10
-2s)和内在热敏感性,特别适合用于此。当掺入上转换纳米颗粒(UCNPs)中时,Ln
3+能在红外激发下实现远程温度读数,广泛应用于深部组织测温、纳米尺度热成像及亚微米尺度能量传输的基础研究。然而,当前大多数发光测温研究聚焦于发射强度比或寿命,而瞬态加热曲线中丰富的时间信息尚未被充分利用。瞬态加热曲线编码了光激发后温度的完整时间演化,直接揭示散热、非平衡热传输和相变动力学等动态过程。提取起始时间(t
0)和上升时间(τ)等关键参数需要精确识别常被实验噪声、信号波动和非均匀采样掩盖的细微时间特征。传统信号处理方法如阈值法和离散小波变换(DWT)在受控条件下可靠,但依赖经验选择参数和操作员监督,限制了可扩展性和自动化。因此,亟需一种自动化、高吞吐量、操作员独立的分析方法。
**研究目的与意义**
该研究提出一种基于机器学习辅助的框架,利用人工神经网络(ANNs)自动确定Yb
3+/Er
3+掺杂NaYF
4 UCNPs加热曲线中的t
0。通过结合实验瞬态与物理动机合成曲线,克服实验加热动力学统计多样性有限的问题。这项工作证明了基于ANN的分析能够实现完全自动化、高吞吐量、操作员独立的瞬态发光数据处理,并为纳米尺度热传输、生物医学传感及具有数据驱动读出能力的智能材料提供了通用框架。论文发表在《Advanced Intelligent Discovery》。
**关键技术方法概述(不超过250字)**
研究人员采用的核心技术方法包括:首先,从Yb
3+/Er
3+掺杂NaYF
4 UCNPs的光学激发实验中采集822个实验瞬态加热曲线,并使用分段指数函数生成822个物理动机合成曲线(t
0和τ随机采样自扩展区间,噪声幅度1%-5%),构建共1644个曲线的增广数据集。其次,设计四个架构族的人工神经网络:全连接(FC)、前馈卷积(FFC)、残差(ResNet)和流形(Manifold),每个族包含不同块数(B=1-3)。以离散小波变换(DWT)去噪程序作为基准参考方法,使用仅保留估计不确定度<2s的DWT标签训练ANN,并在验证集上评估回归斜率、截距、决定系数R
2、中位不确定度和训练时间。所有计算在本地工作站(Intel Core i5-11400H处理器)上使用Wolfram Mathematica 13.3的神经网络框架完成。
**研究结果**
**2.1 瞬态加热曲线与数据集构建** 实验数据集包含822个从Yb
3+/Er
3+掺杂NaYF
4 UCNPs获取的瞬态加热曲线,描述了约化温度θ(t)的时间演化。由于实验条件均匀,实验曲线上升时间集中在30-50s之间,统计多样性有限,容易导致ANN过拟合。为克服此限制,研究人员增广了822个物理动机合成曲线(t
0在20-100s,τ在50-100s随机采样,加入1%-5%高斯噪声),形成1644个曲线的增广数据集。
**2.2 离散小波变换基准** 采用DWT去噪程序作为t
0确定的常规参考方法。残差分析确认噪声符合高斯分布,DWT在250个已知t
0的合成曲线验证集上达到中位误差1.2s,处理时间中位值0.047s/曲线。但DWT依赖经验参数,存在异常值需要手动检查,引入主观性并限制可重复性。因此,DWT仅作为训练和验证ANN的基准工具,标签限制在估计不确定度<2s的情况。
**2.3 神经网络架构:基于实验数据的性能** 仅使用822个实验曲线训练时,紧凑架构表现最佳:全连接网络FC1取得回归斜率0.89、截距4.3s、R
2=0.89、中位不确定度-0.06s,训练时间0.1分钟。增加块数导致偏差增大和泛化下降,如ResNet3的R
2虽达0.92但截距9.2s,表明复杂架构在数据稀缺时易过拟合。流形网络如Manifold1提供相对平衡响应(斜率0.79,R
2=0.77),但性能受限。
**2.4 数据集增广的影响** 增广至1644个曲线后,架构性能显著改善:全连接网络FC2实现斜率0.84、截距-3.0s、中位不确定度-0.16s;流形网络Manifold3达到R
2=0.88,但回归斜率0.65显示系统尺度压缩。残差网络ResNet2的R
2为0.87,但中位不确定度达-2.48s。结论:增广数据使更表达性的架构能够利用表征能力,提升鲁棒性和可扩展性,验证了训练数据多样性优先于架构复杂性的核心观点。
**2.5 计算效率** 训练时间随架构复杂度从FC1的2分钟增至Manifold3的48分钟(基于相同CPU),但推理阶段所有ANN均实现亚秒级延迟/曲线,优于DWT的0.045s/曲线,且完全自动化,使每曲线处理从数分钟交互监督降至小于一秒。
**2.6 比较评估与启示** 紧凑网络在实验数据下最可靠,增广后表达性架构(尤其是流形网络)展现更优泛化。DWT在受控条件下略有名义精度优势,但易受异常值、经验阈值和手动验证的限制。ANN提供可重复、可扩展、全自动的替代方案。关键发现:最佳模型选择由预测鲁棒性和计算效率的权衡决定,而非仅架构复杂度。
**总结与结论讨论**
研究结论指出,提出的机器学习辅助框架通过直接从实验数据学习光学诱导致热起始的时间特征,消除了手动监督信号处理、经验阈值选择和用户依赖验证的需求,将瞬态曲线分析转化为智能、自洽的推理任务。关键发现是,对于时间分辨物理测量,ML模型的有效性和鲁棒性主要由训练数据的结构和多样性决定,而非仅架构复杂性。实验测量与物理动机合成曲线的有意结合是克服实验可变性内在限制的决定性策略,使模型能够在保持物理相关性的同时泛化到窄采样范围之外。从智能系统角度看,这种混合数据方法为将先验物理知识嵌入学习流程提供了原则性机制,增强了鲁棒性、可扩展性和自治性。更广泛地,神经网络从复杂动态信号中提取物理意义时间标记的能力,突显了其作为实时、操作员独立决策的智能传感系统核心组件的潜力。ANN框架并不取代物理真实定义,而是在无法实验获取真实值的条件下提供鲁棒、自动化的替代方案。该研究证明了基于物理建模、合成数据生成和ML的桥梁作用,推动了能够在纳米尺度和生物医学环境中可靠解释复杂时间依赖现象的智能系统发展。论文发表在《Advanced Intelligent Discovery》。