雷振东

本研究提出了一种创新的多目标优化策略，借助机器学习(ML)人工智能算法来指导碳量子点的合成过程。通过闭环方法从有限且稀疏的数据中学习，大幅缩短研究周期，超越了传统的试错方法。此外，该方法还揭示了合成参数与目标属性之间的复杂联系，并统一目标函数以优化多个期望属性，如全色光致发光(PL)波长和高PL量子产率(PLQY)。仅通过63次实验，就实现了全色荧光碳量子点的合成，其高PLQY超过60%。该研究代表了ML引导碳量子点合成的重要进展，为开发具有多个期望属性的新材料奠定了基础。

本文发展了一种功能化GQDs诱导的原位自下而上的策略用于制备近原子层2H-MoS2纳米片。通过理论计算结合实验结果表明，不同功能化GQDs在诱导合成ALQD过程中起着至关重要的作用。这种GQDs诱导策略合成条件温和，为拓展二硫化钼的催化应用提供了理论指导和实践方案。

本文提出了一种简单有效的一步合成法，在球磨过程中利用GQDs作为剥离剂来合成和功能化近原子层的MoS2纳米片（ALMS）。这种无溶剂方法展现了显著的优势，包括大规模生产的可扩展性、高产率以及消除对苛刻反应要求的需求，如，有机溶剂、催化剂或真空环境。