《Green Energy & Environment》:Intelligent X-ray Spectroscopy through Machine Learning for Energy Materials Discovery and Characterization
编辑推荐:
从清洁能源到先进电子器件,对新型材料的需求从未如此强烈。X射线光谱(XS)技术长期以来一直是探测材料结构、化学和电子性质的不可或缺的工具,具有极高的精度。近年来,高通量实验、面向能源材料的原位/ Operando测量以及开放获取光谱数据库的扩展产生了前所未有的
从清洁能源到先进电子器件,对新型材料的需求从未如此强烈。X射线光谱(XS)技术长期以来一直是探测材料结构、化学和电子性质的不可或缺的工具,具有极高的精度。近年来,高通量实验、面向能源材料的原位/ Operando测量以及开放获取光谱数据库的扩展产生了前所未有的光谱数据量。这些丰富的信息反过来加速了机器学习(ML)方法的集成,以推进数据解释和材料发现,在能源相关材料研究中产生了显著影响。本综述概述了X射线光谱(XS)与ML在材料表征和发现中的协同作用。首先讨论了在ML描述符背景下材料分析中广泛使用的表征技术,随后总结了常用于XS分析和预测的ML模型。接着重点介绍了最先进的ML驱动XS数据解释和预测工作流,并综述了ML在X射线衍射(XRD)、X射线光电子能谱(XPS)和X射线吸收光谱(XAS)中的最新进展。本综述为在XRD、XPS和XAS中选择和部署ML模型建立了一个统一框架,同时明确将可靠性、泛化性和Operando部署确定为制约其实际应用的核心约束,并概述了构建稳健、数据驱动的光谱工作流的实际方向。
- 1.
引言
随着大数据爆炸改变科学发现的格局,收集数据不再是挑战,理解和分析数据成为关键。人工智能(AI)和机器学习(ML)在化学领域的应用急剧上升,尤其在新能源材料、催化剂、膜设计和药物研发等方面。能源材料包括电池、燃料电池、光伏、热电和电子解槽等,其性能取决于成分、几何形状、加工条件和环境参数,探索巨大的设计空间成本高昂。模拟工具虽然可以预测材料性质,但计算昂贵且可能无法完全捕捉真实系统的复杂性。ML提供了数据驱动的替代方案,能够构建代理模型,从成分、结构或实验参数预测材料性质,加速材料设计和优化。X射线光谱(XS)已成为理解材料结构和性质的基础,传统的数据解释依赖人类专业知识,耗时且主观。ML通过分析复杂数据集、解码微妙特征、关联结构和化学信息,为XS数据解释提供了替代方案。在能源材料中,ML已应用于Operando氧化还原和局部结构变化、过渡金属配位数变化的定量识别以及埋入界面相组分的XPS预测等。本综述旨在为X射线光谱学家和ML研究人员提供覆盖2019-2026年文献的参考,涵盖监督、无监督和深度学习在光谱解释、自动峰拟合、逆向建模、物理信息及混合ML框架等方面的应用。
- 2.
X射线光谱作为材料表征的探针
XS通过测量X射线与物质的吸收、发射和散射相互作用,探测材料的电子和结构性质。现代同步辐射光源、X射线自由电子激光等提高了空间和时间分辨率,全球超过50个同步辐射装置为ML训练提供了丰富数据源。XS技术主要包括XAS、XPS和XRD。XRD提供长程晶格周期性和物相鉴定,但对氧化态和表面化学不敏感;XPS和XAS则直接探测电子结构和化学状态。XAS分为XANES和EXAFS,前者提供氧化态、配位对称性等信息,后者揭示键长、配位数和局部无序。XPS测量光电子动能,提供表面元素化学状态信息,其浅逃逸深度使其适合表面敏感的ML模型。XRD提供体相晶体结构信息,其衍射频标、强度和晶格参数可用于分类或回归任务。这三种技术互补,结合使用可全面表征新材料。
- 3.
ML模型用于X射线光谱
ML模型可分为监督机器学习(SML)、无监督机器学习(USML)和集成学习(EL)。SML依赖标记数据集,建立光谱特征与材料性质之间的映射,用于回归或分类任务,常用算法包括神经网络(NNs)、随机森林(RFs)、支持向量机(SVMs)和k近邻(kNN)等。USML无需标记输入,可提取隐藏结构,如k均值聚类、主成分分析(PCA)和t-SNE,用于降维和可视化。XS中的ML应用主要通过正向映射(结构→光谱)和反向映射(光谱→结构)实现。正向映射从结构描述符预测光谱,反向映射从实验光谱预测结构信息。由于XRD可通过晶体学信息文件(CIFs)稳健模拟,其ML映射相对成熟;而XAS和XPS的理论描述更复杂,ML模型常受限于转移性和实验伪影。因此,ML在XAS和XPS中的应用需要在特定化学空间和严格实验协议下进行,并结合物理约束或不确定性量化。
- 4.
机器学习工作流
ML在XS中的工作流包括数据收集、预处理与特征化、模型选择与训练验证、部署等步骤。数据收集需要整合实验数据库(如NIST XPS、ICDD-PDF、RefXAS)和计算数据库(如Materials Project、AFLOW)。预处理包括能量校准、归一化、背景扣除等,特征化可将原始光谱转换为数值描述符或采用表示学习方法。数据集划分需避免数据泄漏,采用分层或按组成分组策略。模型选择需平衡预测能力、效率和可解释性,超参数调优通过网格搜索或贝叶斯优化完成。训练过程中采用正则化和数据增强防止过拟合。部署阶段,训练好的模型可用于预测光谱或分析化学结构信息,如XANESNET框架所示,该框架使用深度神经网络从原子结构预测过渡金属的XANES光谱,展示了从数据生成到验证的完整流程。
- 5.
ML在X射线光谱分析与预测中的应用
5.2. XAS作为ML材料设计的数据支柱
XAS因其丰富的局域和扩展尺度结构信息成为ML驱动材料设计的关键。在分析任务中,ML模型自动化解释实验XAS数据,如TRixs、PyFitIt和DeepFit等框架。预测任务中,ML生成合成光谱或推断材料性质,如CuXASNet、XANESNET、OmniXAS和MEM-XANES等多元素迁移学习模型。此外,DeepONet可从XANES近边区域预测EXAFS光谱,减少对高能扩展区域的需求。空间分辨XAS成像也通过深度学习进行去噪和增强。当前挑战在于跨元素、吸收边和操作条件的泛化,需要混合框架和不确定性感知。
5.3. 表面化学与AI:ML在XPS数据上的应用
XPS表面敏感分析面临手动峰拟合不一致和大量数据集的挑战。ML自动化元素和化学状态识别,如Moeini等人的化学计量学方法(PCA、MCR、聚类分析)。Drera等人和Orth等人使用卷积神经网络(CNN)从合成数据集检测和量化元素,准确率超过90%。Simperl和Werner开发的Transformer基神经网络在超过8×106个模拟XPS谱图上训练,正确推断约85%测试化合物的元素组成,浓度预测误差在20%以内。ML方法通过数据增强和混合训练减轻了表面污染和重叠组分的影响,但极端表面敏感性仍是限制。
5.4. 用ML解码XRD数据的晶体结构
XRD提供晶体结构信息,传统Rietveld精修耗时且依赖起始模型。ML直接从衍射图谱预测结构参数,如CNN和回归模型用于物相鉴定、晶格参数和空间群分类,准确率可达100%。Lee等人开发的数据驱动协议结合CNN和回归模型,在多相无机化合物中实现高精度相分数预测。Dong等人的PQ-Net深度CNN可快速预测晶格参数和晶粒尺寸,适用于XRD-CT成像。此外,ML还用于提取微观应变和位错密度等微观结构信息,如ML-XLPA方法。尽管ML在XRD中取得进展,但从模拟到实验数据的转移仍面临噪声和背景挑战。
5.5. ML用于原位/Operando实验
原位/Operando XS技术实时监测能源材料在工作条件下的演化。ML处理大量动态光谱数据,如Timoshenko等人将PCA和神经网络应用于Operando quick EXAFS,揭示CoFe氧化物催化剂在析氧反应中的局部结构变化。Martini等人利用监督和非监督ML分析Operando Ni K-edge XANES,追踪CO2还原过程中的Ni局部环境。在XRD方面,Szymanski等人结合CNN与衍射仪实现自适应XRD测量,减少扫描时间并捕获瞬态中间相。Zhao等人证明深度神经网络在包含少量实验数据的训练下可实现>90%的物相识别准确率。总体而言,Operando XAS的ML应用最为广泛,而XRD和XPS相对较少。
- 6.
挑战与未来展望
尽管ML在XS中取得显著进展,仍面临诸多挑战。同步辐射数据复杂性、标准化不足和数据共享限制阻碍了模型泛化。数据泄漏问题可能导致性能高估,需要按样品或组成分组验证。缺乏标准化基准和评估透明度使得模型比较困难。跨设施域偏移和模拟到实验的差距要求多设施训练和物理信息预处理。开放性和社区驱动模型开发可促进可重复性。单模态学习与多模态框架的结合将提高鲁棒性。出版偏见和负面结果的缺失影响模型可靠性。平衡预测性能、可解释性和物理一致性是关键,应优先采用白盒或灰盒模型,而非单纯事后解释方法。最后,数据数量与多样性、保真度和不确定性同等重要,需要多保真数据整合和系统化策展。遵循最佳实践,结合材料领域知识和持续实验反馈,ML在XS中的应用将持续推动能源材料发现。