一种可解释的人工智能框架，通过瞬态吸收光谱技术识别纳米材料成熟过程中的光物理特征

《Optical Materials》：An explainable AI framework for identifying photophysical signatures of nanomaterial maturation via transient absorption spectroscopy

　　哈梅德·德赫达什蒂·贾赫罗米（Hamed Dehdashti Jahromi）| 纳比尔·泽伊里（Nabil Zeiri）| 库赛·拉扎尔（Koussai Lazaar）| 尤斯拉·利泰姆（Yousra Litaiem）| 威瑟姆·迪马西（Wissem Dimassi）
伊朗贾赫罗姆大学工程学院电气工程系

**摘要**
像尖晶石镍钴矿（NiCo2O4，NCO）这样的功能性纳米材料的合成过程受到水热成熟过程中微妙变化的影响，由于缺陷演变的“黑箱”性质，这限制了优化的程度。我们提出了一种新的框架，将超快瞬态吸收光谱（TAS）与深度卷积神经网络（CNN）相结合，以解码NiCo2O4纳米粒子的光物理特性，直接将合成时间与复杂的载流子动力学联系起来。我们的方法将TAS图谱视为独特的光谱指纹，使CNN能够准确分类样品的成熟阶段（6至16小时），并预测连续合成时间。我们实现了高预测准确性，分类准确率达到73.3%，回归的均方根误差（RMSE）仅为2.45小时。关键的是，通过使用可解释的AI（Grad-CAM），我们证明了模型能够识别650纳米激发态吸收（ESA）峰的动力学和强度——这是Ni3+/Co3+陷阱状态的标志——作为区分成熟阶段的非显而易见特征。这指出了表面缺陷钝化最活跃的光谱-时间窗口。我们的工作为批量校准的质量控制提供了原理证明，为快速表征和非破坏性方法探索合成依赖的载流子动力学建立了强大的路线图。虽然当前模型是针对批处理的，但该方法展示了如何利用可解释的AI来确定关键的光谱-时间窗口。这项研究为AI引导的纳米材料成熟度探索提供了概念验证。

**引言**
过渡金属氧化物凭借其广泛的可调物理和化学性质，在解决基础科学问题以及实现多种应用功能方面起着关键作用[1]、[2]。在这些材料中，尖晶石型镍钴矿（NiCo2O4，NCO）因其卓越的电导率（范围为10^2至10^3 Scm^-1）、引人注目的磁行为和显著的催化活性而脱颖而出[3]、[4]。这些属性使NCO成为先进技术（如自旋电子学、光电子学、电催化、超级电容器和下一代电池）的多功能材料[5]、[6]、[7]。
NiCo2O4的优异性能源于其独特的电子结构，其特征是存在丰富的氧化还原对，特别是Ni2+/Ni3+和Co2+/Co3+ [1]、[8]。这些混合价态提供了丰富的活性位点，对于提高催化和电化学性能至关重要。例如，Co2+和Ni3+阳离子已被确定为氧气还原（ORR）和氧气演化反应（OER）的关键活性位点，在碱性介质中表现出低过电位（<300 mV at 10 mAcm^-2）和高周转频率（TOF）[9]。最近的研究进一步表明，NCO中Co3+的八面体配位在促进ORR/OER过程中的电荷转移中起着重要作用，而Ni2+在四面体位点有助于在长时间循环中稳定尖晶石结构[10]、[11]。这种协同效应通常使NCO在许多催化应用中优于单金属氧化物（如NiO或Co3O4）。除了电催化之外，NCO的带隙（通常为1.5-2.2 eV）使其能够高效吸收可见光，通过自由基介导的途径（?OH, ?O?）促进各种有机污染物的光催化降解[12]。在能量存储方面，NCO微球由于具有伪电容电荷存储机制，实现了高比电容（CS≈1200-1500 Fg^-1 at 1 Ag^-1）并表现出优异的速率能力（在20 Ag^-1下保留率高达80%）[6]、[7]。
全球对可持续能源解决方案和环境修复的需求不断增加，加剧了开发高效环保材料的研究兴趣。纳米工程技术，特别是水热合成，在制造具有定制性能的NCO纳米结构方面被证明非常有效，包括改善的表面积、反应性和扩散动力学，这些对于优化其功能性能至关重要[1]、[10]。然而，理解这些功能性纳米材料如何演变以及它们的复杂纳米级缺陷在合成过程中如何形成和转化仍然是一个重大挑战。合成条件（如温度、前体浓度，尤其是时间）与超快时间尺度上的光物理机制的精确演变之间的直接关联往往被经验优化的“黑箱”所掩盖。
时间分辨光谱技术，特别是瞬态吸收光谱（TAS），为光激发后载流子、激子动力学和缺陷状态的实时演变提供了关键窗口[13]、[14]、[15]、[16]。TAS数据集本质上是高维的、非线性的和复杂的，包含来自基态漂白（GSB）、受激发射（SE）和各种激发态吸收（ESA）途径的重叠光谱贡献[17]、[18]。传统的动力学拟合方法虽然有价值，但在完全捕捉这些动力学的复杂性方面往往不足，尤其是在系统变化的合成条件下导致微妙的多组分变化时。与此同时，机器学习（ML）的快速进展为解释这些复杂的光谱数据开辟了新的前沿[19]。然而，许多ML应用在材料科学中往往作为“黑箱”预测器，缺乏指导基本设计原则所需的物理可解释性[20]、[21]、[22]。人们越来越需要基于物理学的AI框架，这些框架不仅能高效分析数据，还能揭示基于底层物理系统的可操作机制洞察[23]、[24]、[25]、[26]。快速表征缺陷状态的能力对于优化光电探测器和太阳能电池等组件至关重要[27]、[28]、[29]、[30]。
在这项工作中，我们提出了一种新的、可解释的AI驱动框架，直接从NiCo2O4纳米粒子的瞬态光学响应中解码其光物理成熟度。我们的方法将严格的TAS实验与深度卷积神经网络相结合，建立了一种稳健的光谱指纹识别方法。本研究的核心贡献如下：
1. 我们证明CNN可以从TAS图谱中准确分类NiCo2O4纳米粒子的成熟阶段（6、8、12或16小时），并预测连续合成时间，分类准确率达到73.3%，回归的均方根误差（RMSE）仅为2.45小时。
2. 我们利用可解释的AI（XAI），特别是Grad-CAM，揭示了TAS数据中作为成熟度独特动力学指纹的具体光谱-时间区域。分析表明，650纳米激发态吸收（ESA）峰的动力学和强度是区分合成阶段的主要决定因素，直接将缺陷演变与可观察的超快动力学联系起来。
3. 我们建立了一种快速、非破坏性的材料质量控制和合成优化方法，表明AI预测的成熟时间与关键的外部材料属性（如表面积）直接相关。这一策略不仅增强了我们对NCO纳米粒子在合成过程中如何演变的理解，还展示了一个通用的、基于物理学的框架，用于加速功能材料的设计和优化。我们的发现为新一代可解释的、数据驱动的材料设计工具奠定了基础，这些工具能够弥合超快动力学和精确合成控制之间的关键差距[31]、[32]、[33]、[34]、[35]、[36]、[37]、[38]、[39]、[40]、[41]、[42]、[43]。所提出的框架为校准的光谱监测奠定了基础，其中AI解码的特征可以作为标准化合成流程中成熟度进展的代理。

**本文的其余部分结构如下：**
第2节详细介绍了NiCo2O4纳米粒子的合成过程，展示了基本的结构和功能表征结果（XRD、FTIR、PL和光催化），并描述了时间分辨光谱测量的设置。该部分的第二部分重点介绍了核心方法，概述了数据增强策略，基于全面的超参数扫描论证了最佳CNN架构，并展示了定量模型验证。最后，在第3节中，我们将AI发现与物理数据相结合，使用Grad-CAM揭示了成熟度的具体动力学指纹，并讨论了我们的预测模型对先进材料设计的影响。

**材料合成和光谱设置**
NiCo2O4纳米粒子通过水热方法在180°C下合成，持续时间为6、8、12和16小时。所得粉末在400°C下煅烧以确保尖晶石结晶性... 使用泵浦-探测TAS装置（350nm泵浦，白光探测）监测超快载流子动力学，时间分辨率为约100 fs。

**成熟过程中的结构和光学演变**
XRD分析（图1）确认所有样品均为纯立方尖晶石相，峰值的锐化表明随着成熟度的提高结晶性增强... FTIR和PL光谱（图2，图3）揭示了阳离子分布和缺陷状态的演变... 光催化降解甲基蓝（图4）证明了其功能影响，其中12小时样品表现出最佳性能。

**结论**
总之，我们建立了一个基于物理学的AI框架，成功解码了NiCo2O4纳米粒子水热成熟过程中留下的光物理指纹。通过将传统上难以处理的缺陷反卷积问题重新定义为合成历史预测的监督学习任务，这项研究引入了一种实用且影响深远的范式转变，使得可以直接从超快光谱数据中推断出处理条件。

**作者贡献声明**
哈梅德·德赫达什蒂·贾赫罗米（Hamed Dehdashti Jahromi）：撰写——审稿与编辑、可视化、项目管理、方法论、调查、形式分析、概念化。
纳比尔·泽伊里（Nabil Zeiri）：撰写——原始草稿、验证、资源、形式分析、数据管理。
库赛·拉扎尔（Koussai Lazaar）：撰写——原始草稿、验证、资源、形式分析、数据管理。
尤斯拉·利泰姆（Yousra Litaiem）：可视化、验证、调查、形式分析、数据管理。
威瑟姆·迪马西（Wissem Dimassi）：验证、资源、方法论、数据管理。

**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。