Nanoplastics in Water: Artificial Intelligence-Assisted 4D Physicochemical Characterization and Rapid In Situ Detection
Notice bibliographique
Résumé
For the first time, we present a much-needed technology for the in situ and real-time detection of nanoplastics in aquatic systems. We show an artificial intelligence-assisted nanodigital in-line holographic microscopy (AI-assisted nano-DIHM) that automatically classifies nano- and microplastics simultaneously from nonplastic particles within milliseconds in stationary and dynamic natural waters, without sample preparation. AI-assisted nano-DIHM identifies 2 and 1% of waterborne particles as nano/microplastics in Lake Ontario and the Saint Lawrence River, respectively. Nano-DIHM provides physicochemical properties of single particles or clusters of nano/microplastics, including size, shape, optical phase, perimeter, surface area, roughness, and edge gradient. It distinguishes nano/microplastics from mixtures of organics, inorganics, biological particles, and coated heterogeneous clusters. This technology allows 4D tracking and 3D structural and spatial study of waterborne nano/microplastics. Independent transmission electron microscopy, mass spectrometry, and nanoparticle tracking analysis validates nano-DIHM data. Complementary modeling demonstrates nano- and microplastics have significantly distinct distribution patterns in water, which affect their transport and fate, rendering nano-DIHM a powerful tool for accurate nano/microplastic life-cycle analysis and hotspot remediation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».