< h1级"pgc-h-arrow right-arrow"数据轨道"1">本文来自微信公众号：X-MOLNews</h1>
原标题：使用隐形墨水和人工智能的纸质信息记录与安全保护
作者：李康，哈尔滨工业大学（深圳）;徐杰，哈尔滨工业大学;赵伟伟，哈尔滨工业大学
作者：袁云焕、邵、毛忠、王浩然、张晨、魏军、李康、徐杰、赵伟
我们生活在一个信息时代，信息可以通过多种方式传播，包括电视、广播、互联网和印刷材料。尽管电子媒体的重要性与日俱增，但纸张在信息传播和存储中仍然发挥着至关重要的作用。然而，随着时代的发展，纸质信息面临着严峻的安全挑战。信息的披露可能导致严重的经济和社会问题。因此，有必要制定一种有效的策略来加密/解密纸上的信息。目前，最常见的方法是使用具有独特光学特性的墨水在纸上书写或打印信息。仅当发生辐射、化学处理或加热等外部刺激时，才会显示此信息。然而，这种方法完全依赖于材料本身的性质，不那么复杂，更可预测。一旦墨水的性质暴露出来，信息很容易被破解，对商业和军事应用构成重大风险。尽管研究人员已经使用氟化酶标记来增强信息的安全性，但加密的复杂性和不可预测性需要改进。人工智能（AI）已广泛应用于医学、移动健康监测、军事决策和网络安全等领域，为人们的生活带来了巨大的变化。近年来，它也逐渐被引入材料化学，如用于有机分子的合成，2D材料热力学稳定性的鉴定。然而，据我们所知，通过将纳米材料与人工智能相结合来加密和解密纸质信息是没有工作的。
为了提高纸质信息的安全性和不可预测性，哈尔滨工业大学赵伟轩教授的团队提出了一种将碳纳米颗粒（CNPS）与人工智能相结合的策略，以实现高级信息安全（图1）。这项工作通过微波法制制备了具有良好稳定性和低细胞毒性的高荧光量子产率（Quantum yield，QY）碳纳米颗粒。然后将纳米颗粒制备为隐形墨水，用于纸张信息的安全加密。为了提高信息的复杂性和不可预测性，研究人员构建了一个五层卷积神经网络（当今人工智能领域的两个主流模型之一），作为对信息进行更深层次加密的帮助。正确的信息只能通过暴露在紫外线下并经过专门训练的神经网络获得，否则将输出不正确和误导性的内容。由于神经网络是一个黑匣子，训练信息隐藏在其数百万个参数中，因此几乎不可能仅从网络结构本身找到相应的密码簿。因此，人工智能为纸质信息提供了极其安全的保护。
图 1.获取、加密和解密纸质信息的整个过程的图表。
在这项工作的第一步中，研究人员使用微波法制制备具有高量子产率的荧光碳纳米颗粒，然后对材料的基本性质进行了基本表征（图2），包括基本形貌，紫外线吸收测试，荧光激发和发射光谱，晶体结构，表面功能群等。
图 2.碳纳米颗粒的表征.
接下来，为了实现在复杂环境中的应用，研究人员检查了碳纳米颗粒的稳定性（图3）。从图3可以看出，长时间的紫外灯暴露对材料的荧光强度几乎没有影响。同时，材料的荧光强度几乎保持不变，无论是长期放置（140天）还是暴露于高离子强度介质。最后，纳米颗粒对细胞几乎没有毒性。这些结果表明，CNPS的光学性能在不同环境下不受影响，稳定性强，对其在成像、生物传感器和安全性方面的应用非常有利。
图 3.碳纳米颗粒的稳定性和毒性。
接下来，研究人员使用碳纳米颗粒作为不可见的墨水和人工智能作为记录和保护纸张信息的辅助工具（图4）。通过喷墨打印荧光墨水和紫外线照射获得训练样品（图4a和4b）。然后，样本及其相应的标签用于训练和验证AI模型（图4c）。该测试装置也是通过喷墨打印和UV灯曝光获得的，唯一的区别是普通和不可见的墨水都用于打印（图4d和4e）。
图 4.AI 模型训练和测试样本。
卷积神经网络（CNN）是人工智能领域的两大主流模型之一，已被广泛应用于语音识别、自然语言处理、计算机视觉等各个领域，并拥有易于使用的工具进行构建和训练。本文使用 CNN 对纸质信息进行加密和解密，其基本结构如图 5a 所示。模型训练过程可以在个人计算机上完成。通常，经过 300 次迭代训练后，网络会学习所有符号的结构信息，并在训练和验证集上实现近 100% 的准确性（图 5b 和 5c）。测试样品在自然光下可以显示为一组符号，也可以正常输入网络以产生输出（图4d）;只有在紫外线下才能获得正确的符号（图4e），并且通过将其输入网络来生成正确的信息（BEGIN）。
图 5.人工智能模型的结构和准确性。
综上所述，只有在紫外线辐射之后，才能将信息放入特定的训练神经网络中提取出正确的信息。这种方法比主要依赖于刺激响应材料的传统纸质信息保护方法更复杂，更不可预测，使其更难以破解。该研究所提出的加密解密方法可以满足纸质信息保护的所有要求，包括易于准备，低成本，高稳定性和高安全性。
论文发表于ACS应用材料与界面，哈尔滨工业大学博士生袁云焕为第一作者，赵维轩教授、徐杰教授和李康助理研究员共同撰写。
使用隐形墨水和人工智能的纸质信息记录和安全保护
袁云焕、邵健、毛忠、王浩然、张晨、魏军、李康*、徐杰*、赵伟伟*
ACS Appl. Mater.接口，2021 年，DOI：10.1021/acsami.1c01179
出版日期：2021 年 4 月 20 日
版权所有 © 2021 美国化学会
导师介绍
赵伟伟
https://www.x-mol.com/university/faculty/302040
（本文摘自ACS出版社）