近日，中国科学院上海微系统与信息技术研究所纳米材料与器件实验室丁古巧团队在石墨烯量子点制备及荧光机制研究方面取得重要进展。该工作加深了对石墨烯量子点发光机理的理解，同时实现了对多变量体系下机器学习辅助材料制备结果所包含物理内涵的阐释。相关论文以 “Precursor Symmetry Triggered Modulation of Fluorescence Quantum Yield in Graphene Quantum Dots”为题发表于Advanced Functional Materials（论文链接：https://doi.org/10.1002/adfm.202401246）。

近年来，以石墨烯量子点为代表的碳基量子点材料，因其独特的sp2–sp3杂化碳纳米结构，表现出优异的光、电、磁学性质。在石墨烯量子点“自下而上”法制备中，多变量反应体系使其在合成与机制研究领域面临系列挑战。另一方面，机器学习以其高效的分析算法和模型在复杂体系分析、新型材料设计等领域展现了独特优势。然而，由于具备实际物理内涵的结构特征描述符的缺失，机器学习往往仅能得到难以阐释物理内涵的数学模型。这限制了机器学习在相关研究中的可迁移性和实用性。针对上述研究困境，石墨烯粉体课题组博士生陈良锋、杨思维副研究员结合群论在分子结构描述上的优势，通过控制变量实验与结构化学理论的结合，将具有实际物理含义的描述符应用于机器学习中，首次揭示了石墨烯量子点的前驱体结构与荧光量子产率间关联的物理内涵。

该工作利用高结构刚性sp3前驱体与柔性sp2结构前驱体之间的“自下而上”反应，实现了石墨烯量子点中sp2–sp3杂化碳纳米结构的调制。结合热动力学理论，阐明了sp3刚性结构能通过抑制非辐射跃迁过程提高石墨烯量子点量子产率。进一步地，借助群论在描述分子结构方面的优势，结合主成份分析，明确了石墨烯量子点制备过程中影响石墨烯量子点荧光量子产率的结构因子（F1）、温度因子（F2）和浓度因子（F3）三个决定性因素（图1）。

更重要的是，与以往基于机器学习的研究工作相比，基于群论的进一步探索，首次揭示了机器学习结果中，分子的简正振动是前驱体对称性作用于石墨烯量子点量子产率增量的核心物理机制。基于上述原理的指导，成功获得了绝对量子产率高达83%的石墨烯量子点，其优异的光致发光性能在荧光信息防伪加密中具有广阔的应用前景（图2）。