DOI: https://doi.org/10.1038/s41598-026-38266-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41775762
تاريخ النشر: 2026-03-03
المؤلف: Galina N. Chugreeva وآخرون
الموضوع الرئيسي: تطبيقات النقاط الكربونية والكمية
نظرة عامة
تقدم هذه الدراسة تطوير جهاز استشعار نانوي مضيء باستخدام نقاط الكربون التي تم تصنيعها عبر طريقة الهيدروحرارية من حمض الستريك والإيثيلينديامين. تم تصميم المستشعر للكشف المتزامن عن الكاتيونات المعدنية (Cu²⁺، Ni²⁺، Co²⁺، Pb²⁺، Al³⁺، Cr³⁺) والأنونات النتراتية (NO₃⁻) في المحاليل المائية متعددة المكونات. من الميزات الملحوظة لهذا المستشعر النانوي هو تعدد أنماطه، مما يسمح بتحديد تركيزات الأيونات من خلال طيف مضيء واحد. تم استخدام تقنيات التعلم الآلي، بما في ذلك الشبكات العصبية متعددة الطبقات، والشبكات العصبية التلافيفية (CNNs)، وشبكات كولموغوروف-أرنولد، وزيادة التدرج، والانحدار الخطي، لتحليل الأطياف المضيئة. وجدت الدراسة أن الشبكات العصبية التلافيفية حققت أفضل أداء، حيث حققت متوسط أخطاء مطلقة قدرها 0.68 مليمول/لتر لـ Cu²⁺، 1.05 مليمول/لتر لـ Ni²⁺، 0.43 مليمول/لتر لـ Co²⁺، 1.38 مليمول/لتر لـ Pb²⁺، 1.08 مليمول/لتر لـ Al³⁺، 0.32 مليمول/لتر لـ Cr³⁺، و2.43 مليمول/لتر لـ NO₃⁻، والتي تناسب مراقبة مياه الصرف الصحي.
تشير النتائج إلى أن المستشعر النانوي المطور يلبي متطلبات الدقة لمراقبة تركيزات المعادن الثقيلة في مياه الصرف الصحي، مع تطبيقات محتملة في التحكم في تركيبة مياه النفايات وعملية المياه. كما تسلط الدراسة الضوء على مزايا استخدام التعلم الانتقالي لتقليل التكاليف الحاسوبية عند الانتقال من مشكلة ذات ستة معلمات إلى مشكلة ذات سبعة معلمات. بالإضافة إلى ذلك، تسهل شبكات كولموغوروف-أرنولد تفسيرًا بصريًا للنموذج، مما يعزز فهم العلاقات الأساسية للبيانات. بشكل عام، تؤكد هذه الأبحاث على فعالية جهاز الاستشعار القائم على نقاط الكربون وتقنيات التعلم الآلي في المراقبة البيئية.
مقدمة
تسلط المقدمة الضوء على الحاجة الملحة لمراقبة التركيب الأيوني للنفايات السائلة الصناعية بسبب آثارها الضارة المحتملة على النظم البيئية المائية وصحة الإنسان، خاصة من المعادن الثقيلة التي تكون سامة وقابلة للتراكم الحيوي. تشمل طرق الكشف الحالية عن أيونات المعادن الثقيلة الأمبيرومترية، والكروماتوغرافيا، وطيف الامتصاص الذري، ولكن هذه غالبًا ما تتطلب إعداد العينات وتكون أقل ملاءمة للمراقبة في الوقت الحقيقي. بالمقابل، تقدم الطرق البصرية، على الرغم من أنها عمومًا أقل دقة، مزايا مثل السرعة، وعدم الحاجة لإعداد العينات، والقدرة على الاستشعار عن بعد.
لقد سهلت التقدمات الأخيرة في تكنولوجيا النانو والتعلم الآلي تطوير أجهزة استشعار بصرية يمكنها تقييم المعلمات البيئية بدقة في الوقت الحقيقي. من بين المواد الواعدة هي نقاط الكربون (CDs)، وهي جزيئات كربونية صفرية الأبعاد معروفة بسهولة تصنيعها، واستقرارها، وتوافقها الحيوي، وحساسيتها للتغيرات البيئية. تكون الفلورية الضوئية (PL) لـ CDs حساسة بشكل خاص للتغيرات في الرقم الهيدروجيني، ودرجة الحرارة، ووجود أيونات مختلفة، مما يسمح بإنشاء أجهزة استشعار نانوية يمكنها الكشف عن أيونات معينة وتحديد كميتها في المحاليل المائية بناءً على أطياف PL الخاصة بها. تضع هذه الحساسية الانتقائية أجهزة الاستشعار القائمة على CD كأداة قيمة للمراقبة البيئية، متماشية مع التقدم المستمر في علم المواد وتكنولوجيا النانو.
طرق
في هذا القسم، يبحث المؤلفون في فعالية طرق التعلم الآلي المختلفة—تحديدًا الشبكة العصبية متعددة الطبقات (MLP)، وزيادة التدرج (GB)، والغابة العشوائية (RF)، والانحدار اللوجستي (LR)—في حل مشكلات تحديد تركيز الأيونات ذات 6P و7P. تكشف التحليلات المقارنة أن MLP يتفوق على الخوارزميات الأخرى، بينما يقدم LR أقل النتائج دقة. من الجدير بالذكر أن النماذج المدربة على بيانات مشكلة 6P تظهر معدلات خطأ أقل أو مشابهة عند تطبيقها على مشكلة 7P، باستثناء Cr³⁺.
لتقييم قدرات التعلم الانتقالي لـ MLP لمشكلة 7P بشكل أكبر، استخدم المؤلفون ثلاث استراتيجيات تدريب: التدريب فقط على بيانات 6P، التدريب فقط على بيانات 7P، ونهج التعلم الانتقالي الذي يتضمن التدريب المسبق على بيانات 6P متبوعًا بالتعديل الدقيق على بيانات 7P. تشير النتائج إلى أن MLP المدرب حصريًا على بيانات 6P يواجه صعوبة في الدقة على مجموعة اختبار 7P، مما يبرز ضرورة تقنيات تكيف النموذج. ومع ذلك، أنتج كل من التعلم الانتقالي والتدريب على بيانات 7P جودة حل مماثلة، حيث حقق التعلم الانتقالي ذلك مع تقليل كبير في الموارد الحاسوبية، كما يتضح من عدد أقل من دورات التدريب المطلوبة.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي أجريت. يسلط الضوء على النتائج المهمة التي تدعم الفرضيات أو أسئلة البحث المطروحة سابقًا في الدراسة. عادةً ما تكون النتائج مصحوبة ببيانات إحصائية ذات صلة، أو أشكال، أو جداول توضح الاتجاهات والعلاقات الملحوظة في البيانات.
في هذا القسم، قد يبلغ المؤلفون عن فعالية تدخل معين، أو العلاقة بين المتغيرات، أو التحقق من نموذج نظري. غالبًا ما يتم وضع النتائج في سياق الأدبيات الحالية، مما يبرز مساهمتها في المجال والآثار المحتملة للبحث المستقبلي أو التطبيقات العملية. بشكل عام، توفر النتائج أساسًا للنقاشات والاستنتاجات اللاحقة التي يستخلصها المؤلفون.
نقاش
يسلط النقاش الضوء على مزايا استخدام الفلورية الضوئية (PL) لنقاط الكربون (CDs) كمستشعر متعدد الأنماط للكشف عن أيونات المعادن الثقيلة في المحاليل المائية. تُظهر هذه الطريقة حساسية أعلى، وانتقائية، وتكاليف كشف أقل مقارنةً بالطرق الطيفية التقليدية. من الجدير بالذكر أن قدرة المستشعر على تحديد كميات متعددة من الأيونات من طيف واحد هي ابتكار كبير. وقد أفادت دراسات مختلفة بتطوير أجهزة استشعار أحادية النمط مع حدود كشف منخفضة (LOD) لأيونات معينة، مثل مستشعر قادر على الكشف عن أيونات الحديد بحدود كشف قدرها 70 نانومتر وآخر لأيونات Fe³⁺ بحدود كشف قدرها 30 نانومتر. كما تؤكد الأبحاث على إمكانيات طرق التعلم الآلي، وخاصة الشبكات العصبية الاصطناعية (ANNs) والشبكات العصبية التلافيفية (CNNs)، في تعزيز دقة تحديد تركيز الأيونات من الأطياف الضوئية.
علاوة على ذلك، يناقش البحث تطبيق التعلم الانتقالي وشبكات كولموغوروف-أرنولد (KANs) لتحسين كفاءة نماذج التعلم الآلي في حل المشكلات العكسية المتعلقة بالطيف. يسمح التعلم الانتقالي بتكييف النماذج المدربة على مجموعة بيانات واحدة لمشكلات جديدة ذات صلة، مما يقلل من الحاجة لجمع بيانات واسعة. وقد أظهرت KANs، التي تقدم بنية أكثر تكاملاً وتكيفًا من الشبكات العصبية التقليدية، وعدًا في تطبيقات متنوعة، بما في ذلك المشكلات الطبية الحيوية وتوقعات السلاسل الزمنية. تؤكد التحليلات المقارنة لمختلف طرق التعلم الآلي في تطوير المستشعر النانوي على أهمية اختيار النماذج المناسبة بناءً على الخصائص المحددة للمشكلة والبيانات المتاحة. بشكل عام، يمثل دمج تقنيات التعلم الآلي المتقدمة مع أجهزة الاستشعار النانوية المضيئة تقدمًا كبيرًا في مجال المراقبة والتحليل البيئي.
DOI: https://doi.org/10.1038/s41598-026-38266-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41775762
Publication Date: 2026-03-03
Author(s): Galina N. Chugreeva et al.
Primary Topic: Carbon and Quantum Dots Applications
Overview
This study presents the development of a photoluminescent nanosensor utilizing carbon dots synthesized via a hydrothermal method from citric acid and ethylenediamine. The sensor is designed for the simultaneous detection of metal cations (Cu²⁺, Ni²⁺, Co²⁺, Pb²⁺, Al³⁺, Cr³⁺) and nitrate anions (NO₃⁻) in multicomponent aqueous solutions. A notable feature of this nanosensor is its multimodality, allowing for the concurrent determination of ion concentrations through a single photoluminescent spectrum. Machine learning techniques, including multilayer perceptron neural networks, convolutional neural networks (CNNs), Kolmogorov-Arnold networks, gradient boosting, and linear regression, were employed to analyze the photoluminescent spectra. The study found that CNNs yielded the best performance, achieving mean absolute errors of 0.68 mM for Cu²⁺, 1.05 mM for Ni²⁺, 0.43 mM for Co²⁺, 1.38 mM for Pb²⁺, 1.08 mM for Al³⁺, 0.32 mM for Cr³⁺, and 2.43 mM for NO₃⁻, which are suitable for wastewater monitoring.
The findings indicate that the developed nanosensor meets the precision requirements for monitoring heavy metal concentrations in wastewater, with potential applications in controlling the composition of waste and process waters. The study also highlights the advantages of employing transfer learning to reduce computational costs when transitioning from a six-parameter to a seven-parameter problem. Additionally, the Kolmogorov-Arnold networks facilitate a visual interpretation of the model, enhancing the understanding of the underlying data relationships. Overall, this research underscores the effectiveness of the carbon dot-based nanosensor and machine learning approaches in environmental monitoring.
Introduction
The introduction highlights the critical need for monitoring the ionic composition of industrial liquid wastes due to their potential harmful effects on aquatic ecosystems and human health, particularly from heavy metals that are toxic and bioaccumulative. Current detection methods for heavy metal ions include amperometry, chromatography, and atomic absorption spectroscopy, but these often require sample preparation and are less suitable for real-time monitoring. In contrast, optical methods, while generally less accurate, offer advantages such as rapidity, lack of sample preparation, and the capability for remote sensing.
Recent advancements in nanotechnology and machine learning have facilitated the development of optical sensors that can accurately assess environmental parameters in real time. Among the promising materials are carbon dots (CDs), which are zero-dimensional carbon nanoparticles known for their ease of synthesis, stability, biocompatibility, and sensitivity to environmental changes. The photoluminescence (PL) of CDs is particularly responsive to variations in pH, temperature, and the presence of different ions, allowing for the creation of nanosensors that can selectively detect and quantify specific ions in aqueous solutions based on their PL spectra. This selective sensitivity positions CD-based sensors as a valuable tool for environmental monitoring, aligning with the ongoing advancements in materials science and nanotechnology.
Methods
In this section, the authors investigate the effectiveness of various machine learning (ML) methods—specifically Multi-Layer Perceptron (MLP), Gradient Boosting (GB), Random Forest (RF), and Logistic Regression (LR)—in solving the 6P and 7P ion concentration determination problems. The comparative analysis reveals that MLP outperforms the other algorithms, while LR yields the least accurate results. Notably, models trained on the 6P problem data exhibit lower or comparable error rates when applied to the 7P problem, with the exception of Cr³⁺.
To further assess the transfer learning capabilities of MLP for the 7P problem, the authors employed three training strategies: training solely on 6P data, training solely on 7P data, and a transfer learning approach that involved pre-training on 6P data followed by fine-tuning on 7P data. Results indicate that the MLP trained exclusively on 6P data struggles with accuracy on the 7P test set, highlighting the necessity for model adaptation techniques. However, both transfer learning and training on 7P data produced similar solution quality, with transfer learning achieving this with significantly reduced computational resources, as evidenced by fewer training epochs required.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It highlights the significant outcomes that support the hypotheses or research questions posed earlier in the study. The results are typically accompanied by relevant statistical data, figures, or tables that illustrate the trends and relationships observed in the data.
In this section, the authors may report on the effectiveness of a particular intervention, the correlation between variables, or the validation of a theoretical model. The findings are often contextualized within the existing literature, emphasizing their contribution to the field and potential implications for future research or practical applications. Overall, the results provide a foundation for the subsequent discussion and conclusions drawn by the authors.
Discussion
The discussion highlights the advantages of using photoluminescence (PL) of carbon dots (CDs) as a multimodal sensor for detecting heavy metal ions in aqueous solutions. This approach demonstrates higher sensitivity, selectivity, and lower detection costs compared to traditional spectroscopic methods. Notably, the sensor’s ability to simultaneously quantify multiple ions from a single spectrum is a significant innovation. Various studies have reported the development of unimodal nanosensors with low limits of detection (LOD) for specific ions, such as a sensor capable of detecting iron ions with an LOD of 70 nM and another for Fe³⁺ ions with an LOD of 30 nM. The research also emphasizes the potential of machine learning methods, particularly artificial neural networks (ANNs) and convolutional neural networks (CNNs), in enhancing the accuracy of ion concentration determinations from PL spectra.
Furthermore, the paper discusses the application of transfer learning and Kolmogorov-Arnold networks (KANs) to improve the efficiency of machine learning models in solving inverse problems related to spectroscopy. Transfer learning allows for the adaptation of models trained on one dataset to new, related problems, thereby reducing the need for extensive data collection. KANs, which offer a more compact and adaptive architecture than traditional ANNs, have shown promise in various applications, including biomedical problems and time series forecasting. The comparative analysis of different machine learning approaches in developing the nanosensor underscores the importance of selecting appropriate models based on the specific characteristics of the problem and the available data. Overall, the integration of advanced machine learning techniques with photoluminescent nanosensors represents a significant advancement in the field of environmental monitoring and analysis.