《Advanced Science》：AI-EXAFS: Physics-Informed Prediction of EXAFS from Atomic Structure
编辑推荐：
理解跨化学体系的原子结构高度依赖扩展X射线吸收精细结构（extended X-ray absorption fine structure，EXAFS），因为其对局域原子环境敏感。然而，定量解释本质上仍是迭代过程，需要用显式多重散射计算将结构参数或模型对实验谱进
理解跨化学体系的原子结构高度依赖扩展X射线吸收精细结构（extended X-ray absorption fine structure，EXAFS），因为其对局域原子环境敏感。然而，定量解释本质上仍是迭代过程，需要用显式多重散射计算将结构参数或模型对实验谱进行拟合。机器学习方法加速了EXAFS分析，但从多样化化学环境的三维原子结构直接预测完整谱仍具挑战。研究人员提出AI-EXAFS，一种物理信息图神经网络（graph neural network，GNN），直接从三维原子坐标预测谱。该方法结合以吸收体为中心的图表示、距离调制消息传递和EXAFS专用训练目标，无需预定义结构描述符或人工参数选择即可学习结构-谱关系。在85,991个过渡金属配合物及FEFF生成谱的数据集上训练与评估，AI-EXAFS在k空间平均留出测试集R因子为0.043，在R空间为0.019，表明其可在广泛局域化学环境下实现准确的结构到谱预测。AI-EXAFS建立了可扩展的EXAFS结构-谱框架，可对大量候选结构直接推理，并为日益复杂和实验相关环境下的数据驱动预测奠定基础。
研究背景方面，局域原子结构决定材料与催化剂性能，而X射线吸收光谱（XAS）可提供元素选择性局域结构信息。其中扩展X射线吸收精细结构（EXAFS）对吸收体邻近配位环境、原子间距、配位数、局域无序和真实条件下结构变化敏感，在异相催化、电池电极、无序固体和分子配合物中不可或缺。但EXAFS信号来自出射光电子波与背散射波干涉，包含单重与多重散射贡献，传统定量解释依赖FEFF等多重散射模拟的迭代拟合，专家成本高且难以规模化，尤其不利于时间分辨、operando和高通量EXAFS。已有机器学习多聚焦XANES或径向平均结构描述符、配位数等，直接从三维原子结构学习完整EXAFS响应在多样体系中仍少有探索；通用图模型也未围绕吸收体中心信号设计。
研究人员在《Advanced Science》发表AI-EXAFS框架，用物理信息图神经网络从三维原子坐标直接预测EXAFS谱。结论是该模型在大型过渡金属配合物理论上可实现低R因子预测，能捕捉振荡相位与配位壳特征，并为实验相关Pt体系保留主谱特征；意义在于建立可扩展前向建模工具，用最少单结构设置和大批量推理筛选候选结构，补足传统EXAFS分析流程。
关键技术方法上，研究人员使用tmQM_wB97MV数据库中的85,991个单核过渡金属配合物作为结构来源，以固定参数的FEFF生成理论EXAFS谱，并用Larch统一处理k空间与R空间表示；模型采用以吸收体为中心图表示，边含局域键连与吸收体到全部原子的连接，边属性为原子间距离；架构上用节点嵌入、残差图卷积、距离调制消息传递、多头注意力池化，按元素归一化后经sigmoid输出k空间χ(k)，并以可微EXAFS R因子为损失。
2 Encoding EXAFS Physics in the Graph Representation部分，研究人员指出EXAFS振荡主要来自邻近原子背散射，单重散射由吸收体-散射体距离与元素决定相位振幅，多重散射还依赖角度、路径拓扑与连通性；因此构造以吸收体为中心图：节点为原子身份，边包括Voronoi与共价半径得到的局域连接，以及吸收体连到所有原子的吸收体中心连接，距离作为边属性，但不显式编码散射路径顺序与几何，使模型从吸收体中心结构上下文学习结构-谱关系。
3 Dataset Construction部分，研究人员用85,991个tmQM_wB97MV单核过渡金属配合物，覆盖3–12族金属、不同配体、配位数、键长与几何；该集是受控理论参考空间，不含热无序、动态涨落、物种混合、系综平均和实验噪声；FEFF参数固定，Larch统一处理，形成结构-谱配对数据集。
4 Model Architecture for Structure–Spectrum Prediction部分，输入为吸收体中心图，节点嵌入后经残差图卷积传播距离与元素信息，多头注意力池化得到全局表示，按元素缩放使不同吸收体可同框架训练，输出层sigmoid预测归一化χ(k)，R空间由傅里叶变换获得仅用于展示；训练用EXAFS R因子损失对齐常规谱一致性度量。
5 Model Performance部分，留出测试中k空间平均R因子约0.04，R空间约0.02；代表性预测跨全四分位仍可抓主导振荡与配位壳。Cr、Mn、Fe、Co、Ru、Rh、Pd等中期过渡金属最优；Sc、Y、La等少数欠代表元素误差较大；R空间误差约为k空间一半，说明配位壳主结构恢复稳健。
6 Contributions to Accurate EXAFS Prediction部分，消融显示去距离边特征使平均R因子升约812%且有相位畸变；去吸收体中心连接再降约71%并使首壳特征偏移；去残差连接、改固定池化、去sigmoid、换MAE或SID损失均使性能下降，证明表示、架构、输出边界与EXAFS专用目标各自有用。
7 AI-EXAFS in Experimentally Relevant Pt Environments部分，对分子Pt配合物[PtCl6]2?与活性炭负载Pt单原子催化剂做外推：前者六氯配位动机不在训练集中，模型与FEFF及实验主特征一致，移除高SOAP相似结构后定量下降但主特征保留；后者Pt–Cl加碳载硫结合环境在分子训练域外，AI-EXAFS仍复现FEFF主特征并与实验主特征相符，说明可作快速前向假设评估，但不能由单静态结构做唯一结构指认。
8 Conclusions部分翻译：本工作提出AI-EXAFS，一种物理信息机器学习框架，可从三维原子结构跨多样过渡金属体系直接预测EXAFS谱。通过将以吸收体为中心图表示、消息传递架构和EXAFS专用优化目标结合，模型学习了局域原子几何与对应k空间响应间的直接关系。核心结论是预测性能依赖表示与处理的互补设计：吸收体中心连接和原子间距离提供关键结构信息，消息传递、注意力聚合与EXAFS目标决定信息如何被用于谱预测；这些组件使模型无需枚举FEFF类散射路径即可复现局域配位与高阶散射相关几何带来的谱变化。在理论参考域内，AI-EXAFS跨多样过渡金属配位环境准确复现FEFF谱；两个实验表征Pt体系评估表明其对训练集未完整覆盖的局域环境仍可保留主谱特征，而移除近邻训练环境造成不同影响，说明结构覆盖对精度重要。该结果支持AI-EXAFS作为可扩展前向模型用于大批量候选结构筛选。当前实现是基础而非实验EXAFS解释完整方案：模型训练于单静态分子结构理论谱，尚未显式纳入Debye–Waller阻尼、热或动态无序、物种混合、系综平均与实验噪声；未来可扩至热采样构型、异质环境与实验验证谱。范围内，AI-EXAFS可与现有实验流程结合，用直接推理和批量评估优先筛选物理合理局域结构以供后续拟合精修，从而从分子模型走向涵盖实验结构谱复杂度的系统EXAFS分析。
