机器学习赋能的同步辐射傅里叶变换红外测温技术在纳米量热芯片热成像中的应用

《Sensors and Actuators A: Physical》：Machine Learning-Enabled Synchrotron FTIR Thermometry for Thermal Mapping in Nanocalorimetry Chips

　　

研究人员将同步辐射傅里叶变换红外（SR-FTIR）测温技术与机器学习（ML）相结合，用于纳米量热芯片上的精确热成像。该方法通过在750–1200 cm?1光谱区间提取温度敏感红外特征，并利用线性回回归（LR）、高斯过程回归（GPR）、AdaBoost（AB）、随机森林（RF）、支持向量回归（SVR）及卷积神经网络（CNN）等算法直接从全谱预测温度梯度，显著降低了对人工选峰与拟合的依赖。研究人员进一步采用可解释人工智能（XAI）工具（SHAP与Guided Grad-CAM）识别主导模型预测的光谱相关特征，发现非对称Si–O伸缩振动带及其翼区对温度最为敏感，与二维相关光谱（2DCOS）分析结果一致。实验温度图经有限元建模（FEM）验证，估计悬浮SiNx-SiOx膜的有效面内热导率约为2.0 W·m?1·K?1。该工作建立了一种稳健的非接触、空间分辨微尺度热表征方法，可拓展至operando同步辐射纳米衍射、纳米散射与纳米X射线荧光实验中。

研究背景方面，材料科学中对聚合物、软物质及生物样品等经历温度依赖相变体系的空间分辨热表征长期受限于传统差示扫描量热法（DSC）缺乏微区分辨率，而微机电系统（MEMS）纳米量热芯片虽具备高灵敏与快速热响应，但其微小几何结构引发陡温度梯度，传统利用参考金属熔融起始或晶格参数变化推断梯度的方法空间分辨率不足或实验繁琐。同步辐射傅里叶变换红外（SR-FTIR）光谱测温利用温度引起的振动吸收带变化可提供非接触替代方案，但常规光谱测温依赖人工选峰拟合，材料依赖性强。因此研究人员开展本研究，将SR-FTIR与机器学习结合，实现纳米量热芯片表面温度分布的数据驱动重建。论文发表于《Sensors and Actuators A: Physical》。

关键技术方法上，研究人员使用商用XEN-39392 SiN_x-SiO_x纳米量热芯片，在ALBA同步辐射MIRAS束线以透射模式获取空间分辨高光谱（孔径10×10 μm²，步长5×5 μm²），校准集由Linkam FTIR600控温台在室温至450 °C连续升温获得816条光谱；光谱截取750–1200 cm^?1并做标准正态变量（SNV）归一化后，分别用MATLAB实现LR、GPR、AB、RF、SVR与PyTorch搭建一维CNN进行五折交叉验证回归；以SHAP解释GPR、Guided Grad-CAM解释CNN；同时用COMSOL Multiphysics做有限元建模（FEM）模拟芯片面内导热、自然对流及辐射损失并反推有效热导率。

研究结果部分，引言指出MEMS纳米量热与SR-FTIR结合优势及ML辅助温度重建动机。材料与方法确立芯片结构、束线参数、校准协议与六模型训练细节。结果中，首先展示SiN_x-SiO_x膜室温红外谱在约820 cm^?1（Si–O面内弯曲δ）与1072 cm^?1（非对称伸缩ν(as)）双带，升温引起ν(as)红移，2DCOS呈四叶草图样。六模型性能以RMSE、MAE、R²评估：CNN（RMSE 6.53 °C，R² 0.997）与GPR（RMSE 7.10 °C，R² 0.996）最优，SVR最差（RMSE 32.63 °C，R² 0.917）；Friedman检验（χ²=23.63，p=2.55×10^?4）与Kendall W=0.95表明模型排名跨折一致，事后检验显示GPR与CNN无显著差异但均显著优于SVR。SHAP与Guided Grad-CAM归因均指向非对称Si–O伸缩带翼区，与2DCOS自谱高变区重合，证实模型捕捉物理真实温度敏感振动。残差分析显示GPR残差标准差仅3.5 °C，低于CNN的7.3 °C及线性/二次拟合的18.7/17.6 °C。空间绘图上，GPR从两线扫预测温度自加热器向膜边指数衰减，FEM反演得有效热导率约2.0 W·m^?1·K^?1，加与不加辐射项结果相近；GPR温度图与FEM模拟整体吻合，像素残差图（T_FEM?T_P）局部偏差源于膜非均匀吸收及边界简化。

讨论部分指出，GPR因精度、鲁棒性与不确定性量化（95%预测区间）成为首选，XAI解释强化光谱物理意义；SVR默认核与正则不适配高相关谱变量；树集成次之；该方法替代人工选峰，适用于operando同步辐射微纳束实验。结论部分翻译如下：研究人员提出一种结合SR-FTIR测温与ML的新方法，实现SiN_x-SiO_x纳米量热芯片的准确高分辨温度成像；GPR辅以SHAP可解释性最适于从红外谱预测温度分布，优于线性与集成模型；该ML增强光谱方法提供与微纳束兼容的非接触热成像，解决微型量热器件陡梯度难题，为同步辐射与纳米光谱原位热诊断自动化奠定基础；未来可融入动态反馈温控或拓展至其他透明衬底与具红外活性振动的材料体系。