渐变纳米结构和机器学习协同作用,用于强大的量化表面增强拉曼散射.
Xiaoyu Zhao1, Yuxia Wang1, Yuting Liu2
1College of Materials and Environmental Engineering, Hangzhou Dianzi University, Hangzhou, Zhejiang, 310018, P. R. China.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|April 25, 2025
概括
这项研究引入了一种新的梯度纳米结构平台,用于表面增强拉曼散射 (SERS),以克服信号变化. 对各种光谱数据的机器学习分析显著提高了分子检测的精度和可重复性.
科学领域:
- 纳米技术 纳米技术
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 表面增强拉曼散射 (SERS) 提供了敏感的微量分子检测.
- 定量SERS分析受到来自"热点"和外部影响的信号变化所阻碍.
研究的目的:
- 开发一种新的SERS平台,以缓解信号变化,以便可靠量化.
- 提高SERS测量的光谱多样性和稳定性.
主要方法:
- 使用渐变纳米结构通过影子球体光刻法制造SERS平台.
- 从单个分析剂度中获得多样化的光谱特征.
- 在多光谱SERS数据上训练机器学习模型.
主要成果:
- 梯度纳米结构设计将制造变化降到最低.
- 在多频谱数据上训练的机器学习模型显示,与单频谱方法相比,平均平方误差 (MSE) 降低了84.8%,R2提高了61.2%.
- 在SERS量化中提高了精度,稳定性和可重复性.
结论:
- 开发的SERS平台与梯度纳米结构和ML分析显著改善了定量检测.
- 这种方法解决了SERS的关键局限性,使可靠的现实应用成为可能.
