基于Transformer自注意力机制的无参考拉曼光谱解混揭示隐藏特征

《Advanced Intelligent Systems》:Revealing Hidden Raman Signatures Through Attention-Based Spectral Unmixing

【字体: 大 中 小 】 时间:2026年09月18日 来源:Advanced Intelligent Systems 6.7

编辑推荐:

  拉曼光谱(Raman spectroscopy)是纳米尺度材料表征中广泛使用的工具,然而微弱的光谱特征常常被强且空间可变的背景信号所掩盖。这一挑战在界面和低维系统中尤为严重,其中占主导地位的基底响应使得传统的基于参考的减法(reference-based su

  
拉曼光谱(Raman spectroscopy)是纳米尺度材料表征中广泛使用的工具,然而微弱的光谱特征常常被强且空间可变的背景信号所掩盖。这一挑战在界面和低维系统中尤为严重,其中占主导地位的基底响应使得传统的基于参考的减法(reference-based subtraction)变得不可靠。本文中,研究人员引入了一种基于Transformer的深度学习框架,用于无参考光谱解混(reference-free spectral unmixing),该框架可直接从部分观测的光谱中重建基底贡献。通过利用自注意力(self-attention)机制捕获非局域光谱相关性,该模型无需专门的参考测量即可学习复杂的背景特征。减去重建的背景后,即可恢复先前无法获取的微弱光谱特征。研究人员在生长于碳化硅(silicon carbide,SiC)上的缓冲层石墨烯(buffer layer graphene)这一典型的背景主导系统中展示了该方法,模型揭示了原本被基底响应掩盖的缓冲层振动特征。提取的特征经第一性原理计算(ab initio calculations)验证,确认了其物理来源。超越这一具体案例,该框架为稳健、自动化的光谱解混提供了可推广的策略,兼容实时采集和闭环、人工智能辅助的实验工作流程。
**基于Transformer自注意力机制的无参考拉曼光谱解混研究——论文解读**

**一、研究背景**

定量光谱分析是现代材料表征方法的基石,然而从复杂且随机变化的背景中提取微弱信号仍然是一项根本性挑战。在拉曼光谱(Raman spectroscopy)等表征技术中,待研究材料的物理信号常常被占主导地位的基底响应、荧光或环境噪声所掩盖。传统的解混方法通常依赖于专用参考光谱的减法或各种复杂的背景拟合曲线,但这些方法常常因实验条件的微小波动——如焦点、激光通量或局部基底不均匀性——而失效,导致伪影并阻碍自动化或实时分析的可靠性。

人工智能(AI)的兴起为克服这些限制提供了数据驱动的策略。尽管机器学习(machine learning)和深度学习(deep learning)框架已越来越多地应用于拉曼光谱的定性分类、材料识别和模式识别,但利用数据驱动架构进行无参考定量信号解混仍然是一个探索甚少的挑战。具体而言,Transformer架构凭借自注意力(self-attention)机制展现出独特的序列建模能力——与传统的卷积或线性模型不同,Transformer能够识别整个光谱域中的非局域相关性,这使其特别适合于微弱物理特征嵌入复杂可变光谱背景中的光谱学问题。

这一挑战的一个典型实例是碳化硅(SiC)上石墨烯相关界面的拉曼光谱表征。通过SiC热分解生长的石墨烯为石墨烯电子学和量子计量学提供了可扩展的平台。在生长过程中,SiC(0001)表面的硅升华留下一种界面重构结构,称为缓冲层(buffer layer)或零层石墨烯(zero-layer graphene,ZLG),其中碳原子排列为蜂窝晶格,同时部分与SiC基底共价键合。与单层石墨烯(monolayer graphene,MLG)不同,ZLG具有0.4–0.6 eV的电子带隙,使其在电子和光电子应用中极具吸引力。然而,ZLG的振动指纹被占主导地位的SiC背景所掩盖,基于拉曼的ZLG识别通常依赖于微弱且间接提取的光谱特征,使得分析缓慢、依赖操作者且不适合高通量或实时表征工作流程。

**二、研究内容与意义**

针对上述问题,研究人员提出了SpectraFormer——一种基于Transformer的AI模型框架,用于从SiC背景中对ZLG拉曼信号进行无参考光谱解混。该模型将拉曼光谱视为有序的强度值序列,经过训练后可从部分掩蔽的光谱中重建SiC响应,并最终提取ZLG特征。研究人员将解混后的ZLG光谱与基于高保真超胞模型的第一性原理计算进行了比较,获得了极好的一致性,从而验证了该方法的物理可靠性。此外,SpectraFormer还揭示了先前理论预测中忽略的具有物理意义的振动模式。该方法为实时、稳健的拉曼分析提供了新途径,绕过了传统基于参考减法的限制,并能够集成到闭环AI驱动的合成工作流程中。更广泛而言,该研究结果说明了机器学习、实验数据和理论模拟之间紧密结合如何在材料表征中解锁新的能力。

**三、关键技术方法**

本研究采用的关键技术方法包括:(1)使用AIXTRON Black Magic冷壁反应器在Ar环境中通过热分解6H-SiC衬底生长ZLG,并通过X射线光电子能谱(XPS)确认ZLG相关特征;(2)使用Renishaw inVia显微拉曼光谱仪(532 nm激发激光,1800 lines/mm光栅,100×物镜,0.85 NA)采集拉曼数据,数据集涵盖6H和4H-SiC(0001)多型,光谱范围覆盖1000–3000 cm?1,采用不同采集时间、激光功率和累积次数组合以构建均衡训练数据集;(3)构建SpectraFormer Transformer模型,采用自注意力机制捕获非局域光谱相关性,使用平均Gamma偏差损失函数(Mean Gamma deviance loss function)进行模型优化,在4块NVIDIA Tesla V100 16Gb GPU上进行训练;(4)采用密度泛函理论(DFT)结合PBE-D2泛函、超软RRKJ赝势,在Quantum ESPRESSO中进行第一性原理计算,并使用ALAMODE代码通过冻结声子(frozen-phonon)方法获取原子间力常数和振动模式。

**四、研究结果**

**4.1 光谱解混问题的物理起源与数据结构**

研究人员首先阐明了所解决光谱解混问题的物理起源。通过热分解在4H-SiC(0001)衬底上,当三层SiC双层分解后,过量碳原子在表面重排形成ZLG;进一步高温退火使更深层失去硅原子,原有ZLG转变为仅与基底弱相互作用的MLG。拉曼测量覆盖三种样品构型:裸SiC、ZLG/SiC和MLG/ZLG/SiC。在所有情况下,拉曼响应均由SiC衬底的强二阶特征主导,这些特征跨越宽广的光谱范围并掩盖了较弱的碳层贡献。对于MLG,特征性的拉曼2D峰仍可清晰观测;而对于ZLG,仅能检测到微弱的残余2D类信号(归因于少量MLG夹杂),ZLG的振动特征被掩盖。关键的是,这种掩盖效应并非固定不变,而是随实验条件(焦点、对准、采集参数)及局部晶体缺陷的变化而在不同测量之间波动,使得基于参考的背景减法或局域拟合策略变得不可靠。

**4.2 SpectraFormer训练与推理流程**

SpectraFormer的训练和推理流程共享相同的Transformer前向传播架构。训练阶段,实验采集的SiC拉曼光谱批次首先沿拉曼位移轴进行部分掩蔽,该掩蔽策略迫使模型从光谱的剩余可见部分推断缺失内容,而非简单复现输入信号。掩蔽后的光谱通过SpectraFormer生成全范围重建SiC光谱,预测输出与原始未掩蔽光谱比较以计算损失函数。损失在拉曼位移和样品索引两个维度上评估,确保模型不仅学习单个光谱特征,还学习其在整个数据集中的统计变异性。模型优化采用平均Gamma偏差损失函数,该函数适用于正值光谱信号,有助于在损失超平面上收敛到更低的最小值。

**4.3 实验光谱的Transformer解混结果**

将Transformer解混应用于含石墨烯相关层的SiC拉曼光谱,结果表明该方法能够以高精度捕获基底贡献,实现SiC贡献的受控隔离,从而暴露出传统测量中被掩盖的光谱特征。对于MLG/ZLG/SiC和ZLG/SiC两种样品构型,重建的SiC光谱在整个拉曼位移范围内保持一致,表明模型独立于上层碳层捕获基底贡献。减去重建SiC信号后,残余光谱仅含非SiC贡献,碳层相关光谱特征清晰可见,尤其在低拉曼位移区域最为显著。这些特征与先前预测属于ZLG的拉曼特征一致,其中最突出的模式被称为B和L,分别归属为类苯模式和较短键局域振动。

**五、讨论与结论**

**5.1 MLG/ZLG/SiC与ZLG/SiC混合系统的体信号重建方法**

两种构型的直接比较为解混提供了内部验证。在ZLG/SiC情形中,残余光谱显示微弱的石墨烯2D峰,归因于石墨烯生长初始阶段的微量信号,与缺乏完整发育MLG一致。相比之下,在MLG/ZLG/SiC情形中出现了清晰且预期的G和2D贡献,反映MLG的存在。值得注意的是,2D与G特征的相对强度与原始未掺杂石墨烯参考不同(I2D/IG比值偏低且峰位红移),但这与SiC上外延石墨烯已知的强电荷掺杂行为一致。MLG的G和2D峰仅在存在石墨烯单层时被恢复,而ZLG-only情形中2D峰的缺失表明模型并未人为引入MLG相关特征。

**5.2 基于第一性原理计算的ZLG特征物理来源验证**

为验证SpectraFormer揭示的光谱特征的物理来源,研究人员进行了基于DFT的ZLG/SiC界面晶格动力学计算。采用约化公度超胞模型(7×7石墨烯类覆盖层),通过将q=0振动模式投影到拉曼活性的石墨烯E2g模式上获得类拉曼响应。计算光谱复现了实验观测的主要B、L和G特征,预测与实测峰位之间具有良好一致性。微小残余偏差与半局域GGA泛函低估高频C–C伸缩模式的已知趋势一致。实空间原子分辨图揭示了各特征的微观起源:B峰与超周期脊网络的集体振动相关,L峰源自局域化应变sp2区域,G贡献分布于扩展sp2网络。对于D带区域,振动态密度(vDOS)分析复现了低频D1分量和较宽的D2贡献(可分解为D2a–D2c亚分量),与实验吻合良好。与传统化学计量学方法(包括直接平均参考光谱减法、非负矩阵分解NMF、主成分分析PCA和偏最小二乘PLS回归)的比较表明,SpectraFormer在1800?2500 cm?1的静默区域中始终实现最低重建误差,表明其在保留样品振动特征的同时实现了更准确的背景去除。

**研究结论:** 本工作证明基于Transformer的光谱重建为基底主导光谱学问题提供了稳健且可推广的解决方案。通过将光谱分析与显式参考测量的需求解耦,该模型能够在可变实验条件下持续提取微弱特征,解决了传统方法的关键局限。虽然本文以SiC上ZLG的拉曼光谱为例进行了展示,但其基础框架广泛适用于其他光谱模态和材料体系——包括异质结构、界面层和复杂复合材料——其中结构化背景掩盖了相关信号。提取信号的物理可靠性得到了原子尺度模拟的支持,使恢复的光谱特征得以直接指认并阐明其微观起源。这种数据驱动与第一性原理相结合的方法不仅验证了方法的有效性,还提供了对实验上原本无法获取的振动特征的访问途径,从而实现对体系底层物理的更完整理解。重要的是,该方法天然兼容自动化和实时数据采集,因为它直接作用于测量光谱而无需额外校准步骤,为集成到闭环AI驱动实验平台开辟了道路。更广泛而言,基于注意力机制的模型与物理验证的结合为数据驱动且可解释的表征工具提供了途径,有助于实现纳米材料体系更高效的探索、优化和控制。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号