基于卷积神经网络和描述符解释的SEM到光电化学J–V曲线预测框架

《Journal of Materials Chemistry A》：A framework for SEM to photoelectrochemical J–V curve prediction using convolutional neural networks and descriptor interpretationOpen Access

　　

研究人员证明，完整的光电化学（PEC）J–V曲线可以直接从扫描电子显微镜（SEM）图像中预测，使用卷积神经网络（CNN），即使数据集仅限于几十个样本。BiVO₄光阳极通过金属-有机分解方法制备，并使用多个放大倍率的二次电子图像（SEI）/背散射电子图像（BEI）作为PEC曲线预测的输入。BEI图像始终比SEI图像产生更高的预测精度，而叠加的SEI–BEI输入进一步提高了匹配率。最佳模型（叠加SEI–BEI输入）在样本级别上，在宽松标准（R² > 0.80）下实现了高达约90%的匹配率，在严格标准（R² > 0.95）下实现了约50%的匹配率。为了识别预测能力的结构起源，从SEM图像中提取了粒子级别的形态和强度描述符，并使用SHAP解释进行分析。分析表明，BiVO₄性能主要由粒子形状和反射强度描述符决定，包括欧拉数和粒子尺寸，以及粒子内和粒子间的强度分布。这些结果表明，具有均匀内部对比度和减少粒子间异质性的大尺寸、拓扑简单的粒子促进高效电荷传输并抑制复合。这些结果表明，SEM图像包含重构PEC行为的微观结构信息，并且可解释的机器学习工作流程可以阐明依赖于材料的结构描述符。

**论文解读文章**

**研究背景与问题**
光电化学（PEC）水分解是实现太阳能向化学燃料转化的有前景技术，但光阳极性能受限于电荷传输、表面动力学及半导体-电解质界面稳定性。传统优化依赖试错实验，难以建立直接的结构-性能关系。材料信息学加速了功能材料发现，但通常需要大规模数据集（数千条目），而实验室尺度PEC优化中实际样品仅数十个，传统机器学习（ML）策略在此小数据场景下受限。此前研究人员已开发了利用X射线衍射（XRD）、拉曼光谱、紫外-可见吸收和电化学阻抗谱等分析数据构建稳健预测模型的方法，但尚未探索从常规扫描电子显微镜（SEM）图像直接预测完整PEC曲线。本研究旨在解决以下问题：能否从仅几十个样品的SEM图像中，使用卷积神经网络（CNN）预测完整的PEC J–V曲线？以及SEM图像中哪些微观结构特征使ML模型具备预测能力？该论文发表在《Journal of Materials Chemistry A》。

**关键技术方法**
研究人员采用金属-有机分解（MOD）法制备了24个BiVO₄光阳极样品（FTO基底，厚度140–220 nm），并测量其SEM图像（SEI和BEI，放大倍率×2000、×4000、×10000、×50000）及线性扫描伏安（LSV）曲线（0.1 M磷酸盐缓冲液，pH 7.2，AM 1.5G光照）。CNN模型从零构建，以SEM图像分块（256×256像素）为输入，输出11个电压点的光电流值，采用留一法交叉验证评估。为解释预测能力，从SEM图像中提取72个粒子级形态与强度描述符，经聚类和选择后，用高斯过程回归（GPR）预测1.2 V vs. RHE下的光电流，并通过SHAP分析量化各描述符贡献。

**研究结果**

**PEC曲线预测**
- **SEI图像预测**：使用SEI图像时，×2000和×4000倍率下匹配率最高，R² > 0.95达约20%，R² > 0.80达约60%；更高倍率（×10000、×50000）因粒子数不足而显著降低。
- **BEI图像预测**：BEI图像始终优于SEI，×2000和×4000倍率下R² > 0.95达约30%，R² > 0.80达约70%。表明深度区域微结构信息比表面结构更重要。
- **叠加SEI–BEI图像预测**：叠加输入进一步提高精度，×2000和×4000倍率下R² > 0.95达50%，R² > 0.80达约90%。最佳条件为×4000倍率叠加图像。与基准（平均曲线预测器，R² > 0.80仅13%）相比，CNN性能显著提升（91%）。

**主要描述符分析**
通过粒子分割和描述符提取，从BEI（×4000）图像中获得72个描述符，经聚类后选定5个关键描述符簇，GPR模型五折交叉验证R²达0.98（训练集）和0.79（测试集）。
- **形状描述符**：簇11（欧拉数均值与标准差）呈负相关，即拓扑简单（少孔洞）的粒子有益；簇2（最大轴长、凸面积、周长、最大费雷特直径均值）呈正相关，即大粒子尺寸有利。
- **强度描述符**：簇3（强度最小值均值、强度均值最小值、强度标准差最小值）反映粒子内性质，高反射率（高有效电荷密度）且内部强度均匀（IntenStd_Min小）的粒子促进性能；簇6（强度最大值标准差、强度均值标准差、强度标准差标准差）反映粒子间异质性，较小变化（均匀分布）有益。

**结论与意义**
该研究建立了从SEM图像直接预测PEC J–V曲线的CNN框架，在仅24个样品的小数据场景下实现高精度（叠加SEI–BEI输入，宽松标准匹配率~90%）。SHAP分析揭示BiVO₄性能主要受粒子形状（欧拉数、尺寸）和反射强度（粒子内均匀性、粒子间一致性）支配，指示大尺寸、拓扑简单、内部均匀、异质性低的粒子有利于电荷传输并抑制复合。该工作表明，SEM图像包含重构PEC行为的微观结构信息，且可解释ML工作流程能阐明材料依赖的结构描述符，为未来复杂金属氧化物光阳极的微结构起源解析提供了通用方法论。