基于晶体图神经网络与迁移学习的实验校准通用XANES预测

《Newton》：Experimentally calibrated universal XANES prediction via crystal graph neural network and transfer learning

　　

理论模拟对于解析包含丰富结构和电子信息的实验X射线吸收近边结构（XANES）谱至关重要。然而，现有的模拟方法往往过于复杂，难以在大规模分析（如原位电池表征）中同时实现准确性和效率。尽管已有用于XANES预测的人工智能模型，但其跨元素的普适性和对实验谱的适用性仍然有限。研究人员在覆盖48种元素的模拟XANES数据上预训练了一个晶体图神经网络，实现了平均相对平方误差为0.020223的通用预测。进一步采用迁移学习，利用S、Ti和Fe的有限实验数据集对预训练模型进行校准。校准后，S、Ti和Fe的K边XANES的边能量错位误差降低了约75%。这项工作为XANES预测提供了一种快速且广泛适用的方法，并证明了基于迁移学习利用有限实验数据进行校准的可行性。

X射线吸收光谱（XAS）是探测材料电子结构和原子几何的重要实验技术，具有无损、元素选择性和高灵敏度等优点，已广泛应用于低维材料、催化、文物鉴定和生物医学等领域。然而，X射线吸收近边结构（XANES）谱的定量解释通常依赖理论模拟，而现有模拟方法（如FDMNES）在处理复杂结构时计算成本高昂，且需繁琐的参数优化，同时存在能量尺度对齐和实验展宽效应处理等难题，导致模拟与实验之间存在系统性偏差。近年来，人工智能模型被用于XANES预测，但大多针对特定元素或有限元素组，缺乏跨元素的普适性，且由于实验数据稀缺，模型通常仅用模拟谱训练，继承模拟与实验之间的系统误差。因此，开发兼具元素普适性和实验一致性的XANES预测模型成为亟待解决的问题。

针对上述问题，研究人员构建了基于晶体图神经网络（GNN）的CGXAS框架。该框架在覆盖48种元素的341,405条模拟K边XANES谱上训练通用模型CGXAS_Uni，实现了平均相对平方误差（RSE）为0.020223的通用预测。进一步采用迁移学习，利用S（48条）、Ti（40条）、Fe（45条）的K边实验谱对预训练模型进行校准，获得的模型CGXAS_Exp_S、CGXAS_Exp_Ti和CGXAS_Exp_Fe将边能量错位误差降低约75%。这项工作证明了通用XANES预测及基于有限实验数据进行迁移学习校准的可行性，为加速复杂材料（如电池和催化体系）的光谱分析提供了新策略。

关键的技术方法包括：CGXAS模型由GNN编码器、多层感知机（MLP）解码器和掩码池化层组成。晶体结构被表示为晶体图，节点特征包括原子序数、周期及s/p/d/f轨道价电子数等，边特征采用高斯基和平面波基以保持旋转不变性。模型以RSE为损失函数，使用Adam优化器训练。研究人员比较了三种通用策略：单一通用模型（CGXAS_Uni）、元素特定模型（CGXAS_Spec_X）和从通用模型微调的元素特定模型（CGXAS_FT_X）。可解释性分析采用t分布随机邻域嵌入（t-SNE）和线性探针分类。迁移学习采用迭代校准循环，仅优化MLP层以避免过拟合。实验数据集来自内部测量、公开数据库及文献。

研究结果：
1. CGXAS的通用XANES预测性能
训练损失在100个周期内从0.11降至0.0093，验证损失收敛至约0.0207，测试集平均RSE为0.020223。计算速度测试表明，CGXAS在单个材料上的预测时间约为10^?1 s，而FDMNES需10³–10⁴ s，加速4–5个数量级。元素对比显示，CGXAS_Uni在几乎所有元素上的Pearson相关系数（PCC）均高于元素特定模型，尤其对Be、Cd、Sb和I提升显著，仅有O、S、Cl、Se略低但差异不超过0.001。微调元素特定模型平均PCC变化仅约0.002，表明通用模型已充分捕获元素依赖信息。

2. CGXAS在XANES预测中的可解释性
t-SNE投影显示，同一吸收元素的潜位向量趋于聚集，不同元素之间部分分离。线性探针分类器基于潜向量预测吸收元素的准确率达99.805%。在分析不同金属氧化物中的氧位点时，根据氧位点潜向量识别相邻金属种类的准确率达99.978%。这表明潜表示编码了吸收元素身份和局部化学环境信息。

3. CGXAS_Uni的实验校准迁移学习
实验样本在模拟谱空间的t-SNE投影中分布广泛，表明实验数据具有多样性。对于S K边，直接微调将边能量误差从3.8 eV降至1.4 eV，迭代校准后稳定在0.9 eV。Ti和Fe的平均边能量误差从约4 eV降至约1 eV，降幅约75%。预测损失方面，S从约0.7降至0.07，Ti从0.05降至0.02，Fe从0.07降至0.02。与刚性能量平移校正（误差2.72–3.69 eV）相比，迁移学习效果显著更优。DTV分析表明，测试样本的预测损失与其到训练和验证集的距离无强依赖，校准模型在光谱多样性范围内表现一致。代表性谱图显示，校准后吸收边和主峰对齐改善，但低强度前边和后边特征仍难以精确复现。

总结讨论部分：讨论指出，通用模型优于元素特定模型的原因在于跨元素信息迁移以及GNN编码器与预测任务的联合学习，这与Kharel等人报告的元素特定模型占优的结果不同，可能源于结构表示学习策略的差异。迁移学习证明用有限实验数据校准模拟训练模型是可行的，但需进一步扩大验证元素范围。未来工作可扩展至分子、无序和非晶体系，并考虑温度效应。研究结论翻译：本工作提供了一种快速且广泛适用的XANES预测方法，并证明了基于迁移学习利用有限实验数据进行校准的可行性。