基于知识注入贝叶斯优化的动态X射线光谱AI驱动工作流及其在材料表征中的应用

《npj Computational Materials》：Demonstration of an AI-driven workflow for dynamic x-ray spectroscopy

本研究针对传统X射线吸收近边结构(XANES)光谱数据采集效率低、难以满足动态过程高时间分辨率需求的问题，开发了一种结合领域知识的自适应采样算法。通过注入光谱结构先验知识设计采集函数，在电池材料和催化剂等体系上实现仅需15-20%传统测量点即可精确重建光谱（均方根误差<0.005），白线峰位误差小于0.03 eV，边前峰误差小于0.1 eV。该方法显著提升了动态XANES实验的时间分辨率，为材料化学状态演化研究提供了高效可靠的解决方案。

　　

在材料科学研究领域，X射线吸收近边结构（XANES）光谱犹如一把能够揭示材料内部化学秘密的钥匙。通过测量材料对特定能量X射线的吸收情况，科学家可以精确获取特定元素的氧化态、配位环境等关键化学信息。这种技术已被广泛应用于电池材料充放电过程分析、催化剂反应机理研究等前沿领域。然而，传统XANES数据采集方式存在显著瓶颈——为了获得高质量光谱，需要在数百个能量点进行测量，整个过程耗时费力。特别是在研究材料动态演化过程时，如电池充放电过程中的相变、催化剂在反应条件下的结构变化，传统方法的时间分辨率严重不足，难以捕捉快速变化的瞬态信息。

面对这一挑战，美国阿贡国家实验室先进光子源中心的研究团队独辟蹊径，将人工智能技术与领域专业知识相结合，开发了一种创新的自适应采样方法。该方法的核心思想很巧妙：既然XANES光谱的不同区域信息密度差异显著，为何不将有限的测量资源集中在最具信息量的特征区域呢？正如经验丰富的摄影师会聚焦画面的关键部位，智能采样算法也应当能够识别并优先测量光谱中包含丰富信息的区域，如吸收边、白线峰等特征结构，而对于变化平缓的区域则减少测量点密度。这种“好钢用在刀刃上”的策略，有望在保证光谱质量的前提下，大幅提升数据采集效率。

研究团队采用的技术方法主要包括：基于高斯过程（GP）的贝叶斯优化框架构建光谱预测模型，结合XANES光谱特征（吸收边、白线峰、边前峰等）设计包含梯度分量、拟合残差分量的综合采集函数，开发基于吸收边位置自动识别的采集函数重加权算法，并通过模拟和真实实验（YBCO超导材料、LTO电池材料、Pt/γ-Al₂O₃催化剂、NMC111电池电极）验证方法效能。

模拟单光谱采样验证

在YBCO超导材料的模拟测试中，传统方法需要218个测量点覆盖160 eV能量范围，而新方法仅需33个点即可达到0.005的均方根误差。算法表现出智能分配测量资源的能力：初期优先采样吸收边（8960-9000 eV）和边后快速振荡区域（9000-9030 eV），后期才探索平滑变化的边前区域。与仅使用后验不确定度的贝叶斯优化方法相比，新方法的误差收敛速度显著更快，曲线下面积（AUC）指标最优（0.60）。

动态XANES实验应用

在LTO电池材料的相变过程追踪中，算法对128个时序光谱进行独立自适应采样。每个光谱仅需40个测量点（传统方法需141点），相变百分比计算误差不超过1.7%。研究表明，即使在相变起始阶段光谱结构发生显著变化时，算法仍能准确捕捉边前峰（4972 eV）等关键特征。

挑战性体系验证

Pt/γ-Al₂O₃催化剂体系因Pt负载量低（0.35 wt%）、Al₂O₃基底吸收背景强而极具挑战。新方法成功精确测定白线峰位（误差<0.02 eV）和吸收边位置（误差<0.1 eV），在还原过程中准确追踪了Pt氧化态变化轨迹。

实体验证

在APS的25-ID-C束线站实体验证中，算法通过Bluesky控制框架与单色器、探测器实时交互，指导NMC111电池电极在放电过程中的XANES测量。8个自适应采样光谱仅需60个点（传统方法约需501点），时间效率提升至23.2%。采样点密度分析显示，算法自动在吸收边、白线峰等特征区域集中部署测量资源。

该研究通过将领域知识注入贝叶斯优化框架，成功解决了XANES光谱采集中的效率瓶颈问题。方法的核心优势在于其智能化的测量资源分配策略，既避免了传统分段扫描中因区域边界定义不准确导致的特征遗漏问题，也克服了均匀网格扫描中的过度采样缺陷。特别值得关注的是，该方法对实验设备要求相对宽松，不需要Quick-XAFS等专用高速单色器，具有良好的普适性和推广价值。

从技术层面看，研究团队巧妙地将XANES光谱的结构特征转化为可量化的算法组件：梯度分量捕捉吸收边和振荡特征，拟合残差分量识别未被参考光谱充分解释的区域，重加权函数则自动识别吸收边位置并相应调整采样优先级。这种“知其然亦知其所以然”的设计思路，使算法不仅能够高效工作，还具有很好的可解释性。

展望未来，这种自适应采样方法有望成为智能实验室的核心技术之一。通过与光谱线性拟合分析结合，可实时判断实验进程，在相变完成后自动终止数据采集，避免冗余测量。此外，拟合残差异常检测功能还可为参考光谱选择提供反馈，形成完整的自主实验闭环。随着同步辐射光源和实验站自动化程度的不断提升，这类智能驱动的工作流将极大推动材料科学、化学等领域的动态过程研究，为科学家探索快速演化现象提供强大工具。

研究团队开发的算法已开源发布，为领域内研究者提供了可直接使用的工具。这项工作不仅是计算方法的重要进展，更是实验科学范式转变的有益探索，标志着材料表征向智能化、自动化方向迈出了坚实一步。