SpectroGen跨模态光谱重建精度达99%，助力材料质量验证提速千倍

实验室的光谱仪常常是科研流程中最昂贵、最慢的一环。每当新材料被设计出来，它还需经过繁琐的扫描与验证——晶格结构、分子基团，诸如此类。一次完整的表征，往往要切换多台设备、耗费数小时乃至几天。

而在另一端，人工智能的推演速度早已飞奔。计算模型每天生成成千上万种新配方，却被现实的实验节奏拖慢。MIT 的研究团队决定，从「理解光谱」的角度出发，让 AI 也能学会替科学家「测」一次材料。

该研究以「SpectroGen: A physically informed generative artificial intelligence for accelerated cross-modality spectroscopic materials characterization」为题，于 2025 年 10 月 14 日发布在《Matter》。

论文链接：https://www.cell.com/matter/abstract/S2590-2385(25)00477-1

让 AI 理解「光谱的语言」

AI 驱动的材料发现能够快速设计新型材料成分，但合成与表征却相对滞后。尤其是表征环节，仍受限于依赖电磁光谱学、由专家操作仪器进行的劳动密集型实验。

MIT 推出了 SpectroGen，这是一种用于跨模态光谱生成的生成式 AI 模型，旨在加速材料表征。SpectroGen 生成的高分辨率、高信噪比光谱与真实值的相关性达 99%，均方根误差为 0.01 原子单位。

它的关键在于将光谱重新定义为一种数学分布，而非分子信号。每种光谱曲线——无论是高斯形的红外峰，还是洛伦兹形的拉曼线——都能用方程表达。团队据此为模型加入「物理先验」：AI 不再盲目拟合，而是受制于这些已知的分布规律。

图 1：SpectroGen 工作流程。

图 2：建模策略。

在此基础上，研究者构建了一个变分自编码器（VAE）架构。模型先将输入光谱压缩成潜空间的特征分布，再利用这些物理约束生成另一种模态的光谱。 这一「物理+生成」的混合逻辑，使 SpectroGen 既能保持可解释性，又能高速运行。它本质上是一台虚拟光谱仪——输入一种信号，生成另一种测量结果。

用数据打点样

团队以国际矿物学协会标准数据库 RRUFF 为验证集，共使用约 6000 个矿物样本。 在 IR–Raman 和 XRD–Raman 两类跨模态任务中，SpectroGen 生成的光谱与真实实验结果平均相关性达到 99%，强度均方误差仅 0.01 a.u.，结构相似度指数（SSIM）高达 0.96–0.97。

图 3：对红外到拉曼和 X 射线衍射到拉曼任务的整个生成数据集进行了光谱特征评估。

更令人意外的是，AI 生成的光谱信噪比甚至优于实验数据——例如某矿物样本的信噪比由 3.1 提升至 11.1。在信息保持性测试中，研究者用生成光谱训练材料分类网络，准确率达90.476%，比直接用实验光谱（69.878%）提升约 20 个百分点。

在效率上，SpectroGen 能在一分钟内完成一次完整生成，速度比传统测量快约一千倍。团队指出，这意味着在未来的生产线中，仅需一台红外摄像机即可完成多模态检测，而无需昂贵的 X 射线或拉曼设备。

结语

团队表示，SpectroGen 可以为任何类型的矿物生成光谱。在制造业，它可用于电池、半导体、药物等产业的质量控制，只需一次简单扫描便可获得多模态指标。在科研与药物研发中，研究者能快速筛查大规模候选样本，节省大量实验时间与设备成本。

通过将光谱数据视为一种抽象的数学分布表示，模型能够生成独立于键和晶体结构的标准物理表示的光谱，这种抽象使 SpectroGen 能够弥合物理实验与计算分析之间的差距，拓展光谱生成在各个领域的通用性。

SpectroGen 不是简单的数据拟合，而是一个具有物理意识的生成系统——它知道光谱为何成形，也能在不同实验模式间自洽地「迁移」信息。这类模型或将成为未来科学 AI 的基础模板。

https://phys.org/news/2025-10-quality-materials-easier-ai-tool.html