【摘 要】
：
近年来,具有高光致发光量子产率(PLQY)的杂原子掺杂的碳点(CDs)受到广泛关注,其应用范围广泛,涉及化学传感器、光催化、生物成像和药物递送等。从元素周期表可以看出,氮和磷
论文部分内容阅读
近年来,具有高光致发光量子产率(PLQY)的杂原子掺杂的碳点(CDs)受到广泛关注,其应用范围广泛,涉及化学传感器、光催化、生物成像和药物递送等。从元素周期表可以看出,氮和磷各方面性质都非常接近碳,并且二者也是生物医学成像领域的关键跟踪元素。这两种元素会影响CDs的光学性质和电子属性,并有助于从机理上研究提高PLQY的方法,扩大碳量子点的实际应用范围。本文首次通过柠檬酸钠和磷酸氢二铵(比为19:1)在170℃,6 h以一步法水热合成N,P-CDs,该量子点具有最佳的荧光特性,其荧光量子产率达到53.8%,荧光衰减寿命为5.82 ns,pH稳定性较好。通过尿素,苯胺和乙二胺(苯胺和乙二胺比为1:5)在160℃,6 h以一步法水热合成的N-CDs量子点具有最佳的荧光特性,N-CDs的荧光衰减寿命为3.13 ns,且具有pH稳定性,除此之外合成的氮掺杂量子点还具有时间稳定性,发射光与激发光波长的独立性。通过对样品的离子检测实验,我们发现制备合成的N,P-CDs、N-CDs具有良好的汞离子检测性能。此外,我们还使用N-CDs样品作为探针进行了斑马鱼体内成像测试,得到了斑马鱼体内优良和稳定的N-CDs荧光,验证了碳量子点在生物成像应用中作为探针的潜力。
其他文献
棉花是重要的经济作物,其纤维是天然的纺织原料,在工业中有着多种用途。在我国,新疆是主要产棉区,夏季常有持续的高温天气出现,而夏季又是棉花生殖发育的重要时期,棉花的雄性
在量子信息的发展历程中,光子量子态之间的干涉对于量子隐形传态,量子中继等等有着非常重要的作用,这就要求两个光子不能够以任何方式被区分开来,因而研究频谱不相关光子对量
聚合物太阳能电池(PSCs)作为有效利用太阳能的光电器件之一,目前的能量转换效率(PCE)已攀升到15%,但是其PCE仍远低于理论值。常见的PSCs器件有正装和倒装两种结构,且研究表明在这两种结构里加入性能优良的界面修饰层都可以显著提升器件PCE以及稳定性,因此激发了人们对界面修饰材料的研究热情。高分子材料聚(3,4-亚乙二氧基噻吩)-聚(苯乙烯磺酸)(PEDOT:PSS)是最普遍使用的阳极界面层
从激光问世以来,非线性光学在科学的各个领域上都有着非常广泛的研究,非线性切伦科夫辐射等非线性谐波辐射过程也引起了广大研究人员的关注。非线性谐波辐射过程在以往的研究
为避免我国有限北极狐种群遗传多样性的流失,推动我国圈养小种群的遗传管理工作,本研究将利用微卫星分子标记,以北极狐为例,根据后代遗传质量的预测判定最佳的配对方案,为圈
目的了解腹泻型肠易激综合征(IBS with diarrhea,IBS-D)患者血清adiponectin、apelin及chemerin的表达水平;分析adiponectin,apelin,chemerin与IBS-D患者症状严重程度及焦虑
信息系统是人工智能领域的重要模型.粒计算是人工智能的一个重要的数学工具,在粒计算的框架下,信息系统中的信息结构具有重要的研究意义.三支决策是热门的研究话题,它是一种符合人类认知模式的决策方法,为解决实际决策问题提供了新的视角.本文主要研究覆盖信息系统中的信息结构及三支群决策方法,文章结构如下:第一章,简要介绍信息系统中信息结构思想来源与研究现状、以及三支决策思想.同时,还介绍了本文研究的意义和研究
任务型对话系统(Task-oriented Dialogue System)是自然语言处理中的重要任务之一,在日常生活中的智能客服、个人助手等场景下有广泛的应用。其任务是根据用户的输入返回系统生成的回复,通过多轮交互的形式实现用户的请求或者目标。为完成这一任务,经典的神经网络模型被用于构建任务型对话系统实现对话状态追踪和系统回复生成。但此类方法依旧面临一些挑战,例如,如何缓解神经网络构建的对话系统
随着电子商务在全球市场不断进行开拓,其中商品知识图谱承担了重要的角色,被广泛应用于平台治理、品牌运营、前端导购等核心业务。由于电商领域存在商品类型繁多、属性体系庞大等特性,商品知识图谱与通用知识图谱存在一定的差异。因此,本文主要研究基于商品属性的商品图谱构建,以及不同语言的商品图谱进行对齐与融合。基于属性的商品图谱主要描述了商品的属性及属性值信息。早期的研究工作采用基于规则的方法,由专家设计领域相
作为最有效的信息过滤系统之一,推荐系统在这信息过载的时代发挥着极大的作用。大量关于个性化推荐的技术被提出,然而这些技术中依旧存在以下两个局限:(1)认为推荐过程是静态的,忽略了推荐系统中的动态特性的影响;(2)数据稀疏性的问题依旧存在。为了缓解以上两个问题,本文中分别提出了两个推荐模型:基于深度强化学习的推荐模型Recommendation System based on Deep Reinfor