🔍 耿同学打假报告

论文信息

• 论文来源：Manuscript-20260519.pdf
• 标题：Hotspot-clasping nanopore SERS coupled with deep learning enables ultrasensitive detection of mixed nanoplastics in complex matrices
• 作者：Yanbo Liang, Wenchuan Liu, Chao Wang, Mingyuan Sun, Yunhong Zhang, Xue Zhang, Miao Huang, Wei Lu, Xin He, Jun Li, Yu Zhang*, Lin Han*, Baoshan Xing*
• 期刊：未明确标注（推断为准备投稿或处于审稿阶段的高水平材料/环境类期刊，如 Nature Communications, Advanced Materials 等）
• DOI：无
• 发表/成稿年份：2026年（根据文件名及参考文献时间推断）

综合评定：🟠 高度可疑

详细发现

发现 1：🧪 化学试剂用量的“降维打击”——合成方法学存在致命漏洞（第六式：方法学异常）

• 位置：Section 4.2 (Preparation of colloidal Ag nanoparticles...)
• 描述：作者在银纳米颗粒的合成中，给出了令人瞠目结舌的氧化还原比例。
• 证据：
  • 作者写道：“1 mL of AgNO₃ solution (0.1 mol L⁻¹) was added... 1.5 mL of L-ascorbic acid solution (0.01 mol L⁻¹) was introduced dropwise as the reducing agent.”
  • 让我们来做个简单的小学算术题：加入的 \(Ag^+\) 物质的量为 \(1 \text{ mL} \times 0.1 \text{ mol/L} = 0.1 \text{ mmol}\) (100,000 nmol)。
  • 加入的还原剂抗坏血酸（Vitamin C）的物质的量为 \(1.5 \text{ mL} \times 0.01 \text{ mol/L} = 0.015 \text{ mmol}\) (15,000 nmol)。
  • 还原剂与银离子的摩尔比仅为 0.15！ 正常情况下，将 \(Ag^+\) 还原为 \(Ag^0\) 至少需要等摩尔的还原剂（通常还要过量 1.5-2 倍以保证完全还原）。你拿 15% 剂量的还原剂，是怎么把银离子完全还原成“均匀且稳定的棕黄色银纳米颗粒胶体”的？ 难道剩下的银离子靠意念还原吗？
  • 这极大概率是作者在修改参数时编造数据或从其他文献生搬硬套（Copy-Paste）时弄错了小数点或单位，根本没有亲自做过这个合成实验。
• 严重程度：🔴 实锤级别错误

发现 2：🤖 深度学习的“完美幻觉”——不符合常理的收敛速度（第四式：统计学异常）

• 位置：Section 2.3 及 Fig. 4f
• 描述：作者声称他们开发的 SERS-FocusNet 模型在 C(6,1) 数据集上训练，仅仅经历了约 9 个 epoch，验证集准确率就达到了 100%，并且 loss 降到了极低的 0.02。
• 证据：
  • 虽然 ResNet 结合一维注意力机制确实很强大，但拉曼光谱在实际采集中存在极强的随机噪声、基线漂移和批次效应。
  • 对于含有严重光谱重叠的 SERS 数据，仅仅 9 次 epoch 迭代就能在验证集上达到 100% 准确率且 loss=0.02，这种“完美收敛”在复杂的真实物理化学数据中极为罕见。
  • 这通常意味着：1) 验证集和训练集存在严重的数据泄露；2) 数据集太简单（可能是纯理想仿真数据，而非真实测量的混合数据）；3) 模型实际上是在死记硬背。
• 严重程度：🟠 高度可疑

发现 3：📉 惊人一致的“随机”浓度数据（第二式：数据造假检测）

• 位置：Section 2.5 (Fig. 6e)
• 描述：在紫外和热处理诱导塑料餐具释放微纳塑料的定量分析中，PMMA 和 PE 的释放浓度呈现出极其不自然的巧合。
• 证据：
  • 作者报告的浓度为：PET (\(18.09 \pm 1.52\)), PVC (\(9.02 \pm 0.42\)), PS (\(8.86 \pm 0.84\)), PP (\(7.38 \pm 0.57\)), PMMA (\(2.78 \pm 0.85\)), PE (\(2.76 \pm 0.80\))。
  • PMMA 和 PE 的浓度均值（2.78 vs 2.76）和标准差（0.85 vs 0.80）极其接近。在真实的多组分混合释放实验中，由于高分子链结构、交联度、降解动力学差异，两种截然不同的聚合物（一个是聚烯烃，一个是丙烯酸酯）释放出如此接近且呈现规则梯度排列的浓度和误差，显得过于“人为修饰”。
  • 此外，作者在正文中进行平均数计算时倒是显得很严谨：水样平均准确率 \(\frac{99.60+98.90+96.40+96.90+95.40}{5} = 97.44\%\)，数学上自洽。但这恰恰说明作者对数字很敏感，更凸显出上述 PMMA 和 PE 数据的“人工雕琢”痕迹。
• 严重程度：🟡 存疑 / 需要查证原始数据

发现 4：⏳ 令人窒息的工作量与时间线（第五式：产出异常）

• 位置：全文
• 描述：从论文构建的时间线来看，工作量庞大到不可思议，且时间点存在微小摩擦。
• 证据：
  • 文中提到环境水样采集时间为 2025 年 9 月 23 日（Section 4.5）。
  • 论文成稿时间为 2026 年 5 月（根据文件名推断）。
  • 在这短短 8 个月内，课题组完成了：V型 AAO 模板的定制与表征、银胶的合成、超疏水膜的制备、Au镀膜、物理仿真（COMSOL）、96000 条光谱的采集（涉及 6 种单组分及 63 种组合方式，若每条谱图采集+处理需 1 分钟，这需要不停机测量 67 天）、深度学习模型的搭建与调参、细胞培养与摄取实验（包含 TEM 切片、荧光成像等）、10 种复杂基质的真实样品检测。
  • 这是一个极度压缩的科研奇迹。尤其是 96000 条光谱的采集和细胞学实验，通常需要耗费极其漫长的时间。结合前述的化学配比漏洞，不禁让人怀疑其中部分“大数据”是否为计算机直接生成的模拟数据。
• 严重程度：🟡 存疑

---

耿同学辣评

各位同学，今天咱们见识到了一篇“缝合怪”与“计算器”的完美结合。一边是连基本氧化还原化学计量学都算不明白（还原剂居然只用了一点点皮毛），一边是深度学习模型跑 9 个 epoch 就能拿到 100% 准确率的“神迹”。你这是在做化学实验，还是在写科幻小说啊？还原剂不够用，是不是指望深度学习的 Attention 机制帮你把剩下的银离子给“脑补”还原出来？这年头，连合成银纳米颗粒都可以用 PS 和 AI 了吗？建议作者赶紧把图 6e 那组完美的双胞胎数据（PMMA 和 PE）收好，别让随机数生成器看了都觉得自愧不如！

建议后续行动

• 重点联系作者要求提供原始数据（特别是银纳米颗粒的合成记录和 96000 条拉曼光谱的原始采集文件）
• 在 PubPeer 上提出质疑（特别是关于 4.2 节中摩尔比的计算问题）
• 建议作者所在单位学术委员会调查实验记录本，核实试剂用量与实验时间线
• 审稿人应要求作者补充银胶的紫外吸收峰及透射电镜（证明其真实被合成出来）

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。
注：由于目前仅有文本信息，第一式（图片复用检测）与第三式（图片拼接检测）无法进行像素级分析，建议待论文正式发表后使用 ImageJ 或 Tupelover 等工具进行图像底层噪点比对。