基于生成模型的二硫化钼薄膜跨模态表征技术研究

这篇综述探讨了机器学习（ML）在材料表征中的创新应用，通过生成模型实现原子力显微镜（AFM）、拉曼光谱（Raman）和光致发光光谱（PL）的跨模态数据转换，为加速二维材料（如MoS2）的优化生长与高效表征提供了新范式。研究证实光谱数据可预测AFM形貌特征，并实现光谱间的相互生成，显著提升材料研发效率。

　　

跨模态表征技术的突破性进展

研究团队通过生成模型构建了二硫化钼（MoS₂）薄膜的跨模态表征体系，首次实现原子力显微镜（AFM）形貌与光谱数据的双向预测。实验采用金属有机化学气相沉积（MOCVD）生长的样品，结合ResNet152预训练模型提取AFM图像特征，通过UMAP降维发现其潜在维度与表面粗糙度（RMS）、晶粒密度等物理特性显著相关。

光谱预测显微形貌的可行性验证

拉曼光谱的E¹_2g和A_1g振动峰（385-460 cm^?1）被证明可预测AFM的UMAP嵌入特征，其中UMAP-1（表征结构有序性）预测精度达R²=0.69。相比之下，光致发光光谱（PL）因仅反映电子跃迁而预测能力较弱，揭示了振动光谱与表面形貌的深层关联。

生成模型实现全谱重构

自编码器模型成功实现了：

1. 1.

   从AFM生成拉曼光谱（RMSE=0.12，R=0.89），准确复现A_1g-E¹_2g峰分裂（测试集R²=0.52）

2. 2.

   光谱间相互转换，如PL→拉曼（R²=0.58）

3. 3.

   多模态融合生成，结合AFM与PL数据提升预测稳定性

技术局限与未来方向

当前模型在预测PL半峰宽（FWHM）时精度较低（R²=0.32），反映电子态表征的复杂性。研究建议通过高通量自动化系统扩大数据集，并探索该框架在其他过渡金属二硫化物（TMDs）中的迁移学习潜力。

这项研究为材料科学领域建立了首个跨AFM-拉曼-PL的智能表征体系，将传统需多台仪器完成的检测任务整合为快速预测流程，为新型二维材料的加速研发提供了关键技术支撑。