博文

Nanoenergy Advances 北京理工大学集成电路与电子学院：基于深度学习研究扰动下NTO分子链的原子尺度刚性

已有 823 次阅读 2026-9-26 17:43 |个人分类:学术软文|系统分类:论文交流

作者简介

詹凌涛

北京理工大学集成电路与电子学院

本文第一作者，北京理工大学集成电路与电子学院硕士生。主要研究方向为基于深度学习算法的扫描隧道显微镜 (STM) 图像处理，迄今在真空科学与技术学报、Computers Materials & Continua、Nanoenergy Advances 等期刊上发表3篇论文。

研究背景

分子材料的宏观性质与其微观结构及分子间相互作用密切相关。特别是在外界机械扰动下，分子组装结构能否维持稳定，是理解材料结构稳定性与性能演化的重要科学问题。3-硝基-1,2,4-三唑-5-酮 (NTO) 具有丰富的分子间氢键作用，并能够形成稳定有序的分子组装结构，为研究局域机械扰动下的分子结构响应提供了良好的模型体系。

扫描隧道显微镜 (STM) 具有亚分子级空间分辨能力，可实现分子结构的原位成像与局域操控。然而，大量STM图像中细微分子取向和构型变化难以依靠人工方式实现高精度、客观的定量分析。近年来，AI for Science的发展为复杂实验数据的自动解析与定量表征提供了新的技术路径。因此，将深度学习与原位STM表征相结合，有望进一步提升分子尺度结构研究的自动化和定量化水平。

文章导读

来自北京理工大学的研究团队在本期刊发表了题为“Atomic-Scale Rigidity of NTO Molecular Chains under Perturbation Investigated by Deep-Learning”的研究论文。研究围绕NTO分子链在局域机械扰动下的结构稳定性展开，将扫描隧道显微镜 (STM) 原位操控与深度学习图像分析相结合，实现了单分子结构的精准识别和取向信息提取。研究首先表征了Au(111) 表面NTO分子的有序链状组装结构，并以二聚体作为后续几何分析的基本单元 (图1)。在此基础上，团队设计了面向STM分子图像的轻量化深度学习模型SpecMol，并结合STM针尖操控，定量揭示了NTO分子链在局域扰动下所表现出的显著结构刚性，为理解分子组装体系在外界作用下的结构响应提供了新的实验依据。

图1. NTO分子链的STM图像及其分子式示意图

研究内容

1. AI赋能功能分子材料微观研究

NTO分子在表面能够通过分子间相互作用形成高度有序的一维链状结构，其稳定的分子组装形式为研究局域机械扰动下的结构演化提供了理想模型。一个值得关注的问题是：当分子链受到外界局域作用时，其整体形貌和内部基本结构单元将如何响应？仅依靠STM图像的直接观察，很难进一步判断单分子取向以及相邻分子几何关系是否发生细微变化。

为解决这一问题，本研究引入深度学习方法对STM图像进行自动解析，将分子结构由“可观察”进一步转化为“可测量”。通过AI辅助识别和定量分析，可批量提取单分子的形貌、位置及取向信息，并对扰动前后的结构变化进行统计比较。该工作体现了AI for Science在高分辨实验数据分析中的应用价值，也为研究复杂分子体系的动态结构响应提供了新的技术手段。

2. 面向STM分子图像的SpecMol神经网络

为了实现NTO单分子结构的精准识别与定量分析，研究团队针对STM图像特点设计了轻量化分子分割网络 SpecMol (图2)。与常规仅从实空间图像中提取特征的方法不同，SpecMol进一步引入了频域信息感知机制：首先对原始STM图像进行快速傅里叶变换 (FFT)，将频谱划分为低、中、高三个频段，分别提取与长程有序结构、中尺度调制以及局域细节相关的信息；随后通过网络自适应学习不同频段的权重，并将加权后的频域特征与原始实空间图像进行融合，从而同时利用STM图像在实空间和倒空间中的结构信息。

图2. SpecMol分子分割网络架构

在此基础上，SpecMol采用编码器—解码器结构逐步提取并恢复空间特征，最终获得每个NTO分子的像素级分割结果。该设计既保留了分子边界和取向等精细信息，又保持了较低的计算复杂度，为后续大规模STM数据自动分析提供了基础。

从实际分割结果来看，SpecMol能够准确识别NTO分子链中彼此紧密排列的单个分子，并较好地保持其边界和形貌特征 (图3)。在测试集上，模型的IoU达到 0.931、Dice系数达到 0.964、Accuracy达到 0.990，同时参数量仅为 0.14 M。与U-Net、FPN和DeepLabv3+等典型分割网络相比，SpecMol在分割精度和模型轻量化方面均表现出明显优势，为进一步提取单分子取向和分子间几何关系提供了可靠的数据基础。

图3. NTO分子链分割结果展示

3. NTO分子链的机械扰动与结构刚性

在获得可靠的单分子识别能力后，研究进一步利用AI定量分析NTO分子链在机械扰动下的结构变化。NTO分子在Au(111) 表面通过分子间氢键形成有序的一维链状结构，其中相邻分子组成的二聚体 (dimer) 被定义为分子链的基本结构单元。为了定量描述这种结构，研究团队首先利用SpecMol分割出每一个NTO分子，再对其轮廓进行最小二乘椭圆拟合，以椭圆长轴表征分子的主要取向，并定义单分子取向角 θ。进一步地，将相邻两个NTO分子的取向角之差定义为二聚体的相对取向角 α，以此量化分子链内部基本结构单元的几何构型 (图4)。

图4. NTO二聚体定义及相关夹角定义

随后，研究人员利用STM针尖对完整的NTO分子链施加局域机械作用，通过控制针尖位置、隧穿电流和偏压对分子链进行可控扰动，并分别记录扰动前后的高分辨STM图像 (图5a、b)。在肉眼观察下，受到外力后的NTO分子链整体并未出现明显断裂或结构缺陷；但为了进一步判断其内部结构是否发生细微变化，研究团队利用前述 SpecMol分割 + 椭圆拟合方法，对扰动前后链中每个NTO分子的取向进行了逐一提取，并进一步计算相邻分子组成二聚体的相对取向角α。

定量结果表明，扰动前后二聚体的相对取向角曲线保持高度一致，平均相对夹角约为14.55°，Pearson相关系数达到0.865，一致性相关系数 (CCC) 达到0.834。这说明在局域机械作用下，尽管NTO分子链的整体位置或形貌可能发生一定变化，其内部二聚体的相对几何构型仍能够保持较高稳定性，并未发生明显的内部重构或畸变。

这一结果从实空间微观尺度揭示了NTO分子链基本结构单元所具有的显著结构刚性，也表明由分子间相互作用维系的局域结构能够对外界扰动表现出较强的抵抗能力，为进一步理解分子组装体系中的结构稳定性及其演化规律提供了实验依据。

图5. 针尖扰动NTO分子链过程及扰动前后夹角计算结果

这一结果从实空间微观尺度直接揭示了NTO分子链基本结构单元所具有的显著结构刚性。结合NTO分子间广泛存在的氢键网络，研究表明这种稳定的二聚体结构可能是其抵抗外界机械扰动的重要微观基础，从而为理解NTO优异的低机械敏感性提供了新的实验依据。

总结与展望

本研究将深度学习图像分析与扫描隧道显微镜原位操控相结合，实现了对NTO分子链结构变化的自动识别与定量表征，并从分子尺度揭示了其二聚体在局域机械扰动下所表现出的显著结构刚性。

为进一步验证所提出方法的适用性，研究团队还将SpecMol应用于结构和尺度明显不同的MTDATA分子STM图像。在不改变网络架构、训练策略和超参数的情况下，模型仍取得了82.3%的IoU和97.6%的准确率，并能够较好地识别和分割形貌更加复杂、不规则的单分子结构 (图6)，表明该方法具有一定的跨分子体系泛化能力。