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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».