AI 从拉曼光谱反推分子结构，误差 0.097 Å（仅限模拟）

2026-09-26

Attention U-Net 从模拟 TERS 光谱直接预测分子原子图与元素种类，测试 DSC 0.842、定位误差 0.097 Å；真实实验数据上失效。

这篇在解决什么

扫描探针显微家族里，CO 针尖的 STM/AFM 已能看到分子骨架，但要回答「这是什么元素」得靠谱学。TERS（针尖增强拉曼光谱）把激光聚焦到 STM 针尖上，针尖充当纳米天线，把拉曼信号增强到埃级分辨率，形貌与化学指纹一次拿到。代价是数据难解读：一张 TERS 高光谱图的传统解读要靠量子化学计算加人工比对。这篇 PRX Intelligence 创刊卷论文（阿尔托大学 Adam Foster 组）把「光谱图到分子结构」做成端到端的图像翻译问题。

方法

• 数据：从 DFT 优化的小分子库取 28,570 个（至多 40 原子），PCA 挑出离面偏差 RMSD≤0.05 Å 的平面分子 1,840 个；用 Zhang 等人方法的 Python 复刻（Gaussian 算极化率导数，针尖局域场建模为 FWHM 5 Å 的三维高斯，视场 18×18 Å）生成 256×256 的 TERS 高光谱立方。
• 关键工程：不同分子振动模数量不同，把 0-4000 cm-1 均匀切成 100 个频率 bin（每个 40 cm-1）统一通道数；验证发现 100 bin 比 400 bin 又准又省。
• 模型：Attention U-Net 编码器-解码器，两种输出头：单通道「有没有原子」掩码；四通道按元素（H、C、N、O）分辨。DSC 损失对抗稀疏前景，Optuna 贝叶斯搜索调参，Adam 训 50 轮。

结果

子埃级定位误差说明模型真在「读」结构。氮最差且方差最大，与数据集里含氮分子的稀缺直接对应；被检出的原子定位误差在四种元素上都约 0.09 Å，错在漏认和错认，不在放歪。平面性消融很说明问题：筛选阈值放宽到 0.1/0.5 Å，分子数涨到约 7,800，测试集中位 DSC 却从 0.842 掉到 0.771，方差同步变大，离面原子让逆问题本身更病态。附录 D 是全文最诚实的部分：对 FePc/Ag(110) 的真实 TERS 数据，原始输入下预测出一堆互不相干的原子位置，高斯去噪后只剩零星随机点位；作者把失配归因于模拟的强假设（5 Å 锐利针尖、孤立分子、无衬底），并明说模型还不能处理实验数据。

为什么重要

这是 TERS 上自动化结构发现的首个演示，把 SPM 加机器学习这条已在 AFM/STM 走通的路线延伸到化学敏感的谱学成像。数据（Zenodo，约 131 GB）与代码（GitHub SINGROUP/SMARTERS）全开放，复现门槛低。更大的图景是「仪器到模型到结构」的闭环：TERS 若补上 sim-to-real，化学分辨的原子级表征就能脱离专家手工解读，进入自动发现流程。

局限与存疑

只处理孤立的平面分子。作者自己点名三个缺口：非平面体系要转向 3D 分子图加图神经网络；氮氧样本太少；sim-to-real 是最大关隘。模拟的简化（孤立分子、固定锐利针尖、无衬底）恰是实验失配的来源，靠增广能否补齐没有证明。评测以掩码指标为主，没有「化学结构正确性」的直接指标；元素级计数误差（氮平均差约 3.7 个原子）说明离化学可用还有距离。

术语

• TERS：针尖增强拉曼光谱，STM 针尖作纳米天线，把拉曼分辨率推到埃级
• 高光谱立方：每个像素带一条光谱的三维图像数据
• DSC:Dice 相似系数，预测掩码与真值掩码的像素重合度
• Attention U-Net：跳跃连接带注意力门的编码器-解码器分割网络
• RMSD：均方根偏差，这里指原子偏离最佳拟合平面的程度，度量分子平面度

原文与代码

• 原文

社区讨论

• SMARTERS 论文警示：模拟光谱训练的模型换到实验频段即失效 bravo_abad

全部论文解读