英文原题：Rapid Inverse GISAXS Analysis of Nanoparticle Assemblies with Simulation-Trained Deep Learning

通讯作者：Stephan V. Roth，德国电子同步加速器 DESY，瑞典皇家理工学院 KTH Royal Institute of Technology；Yufeng Zhai（翟羽丰），德国电子同步加速器 DESY

作者：Yufeng Zhai* (翟羽丰)，Jungui Zhou (周俊贵)，Shachar Dan，Shouzheng Chen (陈首铮)，Julian E. Heger，Benedikt Sochor，Arno Jeromin，Wenbo Wang (王文博)，Wolfgang J. Parak，Sarathlal Koyiloth Vayalil，Thomas F. Keller，Andreas Stierle，Alexander Hexemer，Peter Müller-Buschbaum，Stephan V. Roth*

背景介绍

纳米结构材料，尤其是通过纳米颗粒沉积、自组装或薄膜表面修饰形成的体系，在催化、电子器件、生物传感和等离激元增强等领域具有重要应用。材料的功能往往与其纳米尺度形貌密切相关，例如颗粒尺寸、形状、空间分布以及颗粒间相关性。因此，如何快速、可靠地获取纳米结构的统计形貌信息，是纳米材料研究和原位实验中的关键问题。

掠入射小角 X 射线散射（GISAXS）是一种非破坏性表征方法，能够在宏观样品区域内获得表面和界面纳米结构的统计信息，并可通过调节入射角实现一定的深度敏感性。然而，GISAXS 图像位于倒易空间，受到相位丢失、多重散射、基底反射、背景贡献和模型非唯一性等因素影响，直接从二维散射图像反推出真实空间结构十分困难。传统方法通常需要先假设结构模型，再反复进行前向模拟和拟合。该过程不仅耗时，而且依赖专家经验，尤其在高通量和原位 GISAXS 实验中难以满足实时分析需求。

近年来，机器学习和深度学习为散射数据分析提供了新的思路。通过大量物理模拟数据训练神经网络，可以将复杂的“倒易空间图像到真实空间结构参数”的反问题转化为快速预测问题。本工作以负载在硅基底上的金纳米颗粒组装体为模型体系，利用 DWBA 方法构建大规模二维 GISAXS 模拟数据库，并训练卷积神经网络从 GISAXS 图像中直接预测纳米颗粒的尺寸分布，从而实现无需迭代拟合的快速反演分析。

文章亮点

近日，德国电子同步加速器 DESY 的Yufeng Zhai （翟羽丰）博士与 Stephan V. Roth 教授团队在Photon Science上发表了题为“Rapid Inverse GISAXS Analysis of Nanoparticle Assemblies with Simulation-Trained Deep Learning”的研究论文（Article）。工作提出了一种基于物理模拟训练的深度学习 GISAXS 反演分析流程，可从二维 GISAXS 图像中快速预测金纳米颗粒的尺寸分布，并在实验样品上通过 SEM 结果进行了验证。

图1. 用于模拟训练和 GISAXS 反演的物理模型、实验几何和卷积神经网络结构。

工作将金纳米颗粒近似为轴对称椭球模型，用横向半径 R 和垂直高度 H 描述颗粒形貌。基于 GISAXS 实验几何和 DWBA 散射模拟，研究团队生成了大量带有真实物理背景和噪声特征的二维 GISAXS 图像。随后，卷积神经网络以预处理后的 GISAXS 图像为输入，直接输出颗粒高度–半径联合概率分布 p(H,R)。这种设计使网络学习到散射图像中与纳米颗粒形貌相关的全局特征，从而替代传统反复拟合过程。

图2. CNN 在模拟验证集上的颗粒尺寸分布预测结果。

研究团队构建了 200,000 张模拟 GISAXS 图像组成的数据集。对于随机选取的模拟验证样本，CNN 能够较好地恢复主要的颗粒尺寸分布模式。统计结果显示，在 5000 个模拟验证样本上，模型对平均颗粒高度和平均半径的平均绝对误差分别为 0.8 nm 和 0.7 nm，对应平均相对误差分别为 13.8% 和 11.2%。这表明模拟训练的网络能够有效学习二维 GISAXS 图像与真实空间尺寸分布之间的非线性映射关系。

图3. 喷涂沉积金纳米颗粒薄膜的实验 GISAXS 验证。

为了验证该方法在真实实验数据中的适用性，研究团队制备了两类不同尺寸的金纳米颗粒薄膜，并分别进行了 SEM 和 GISAXS 表征。小尺寸金纳米颗粒样品的 SEM 平均核心直径为 4.4 ± 1.2 nm，其 GISAXS 图像中出现明显的面内相关峰，说明颗粒之间存在一定横向有序性。大尺寸金纳米颗粒样品的 SEM 平均核心直径为 13.4 ± 1.5 nm，其 GISAXS 图像中面内相关峰明显减弱，反映出较低的表面覆盖度和更强的结构无序性。经过与模拟数据一致的裁剪、掩膜、对数变换和归一化处理后，实验 GISAXS 图像被输入训练好的 CNN，得到对应的高度–半径联合分布。

图4. CNN 预测结果与 SEM 统计及前向模拟的对比。

实验验证表明，CNN 预测的颗粒半径分布能够恢复 SEM 统计结果中的主要尺寸模式。对于小尺寸和大尺寸金纳米颗粒样品，CNN 预测的平均半径分别为 2.6 nm 和 7.9 nm，而 SEM 得到的平均半径分别为 2.2 nm 和 6.7 nm，对应相对偏差为 18.5% 和 17.9%。进一步地，研究团队使用 CNN 预测的尺寸分布重建 GISAXS 图像和真实空间颗粒构型，并与实验 GISAXS 和 SEM 图像进行比较。结果显示，该方法能够在纳米尺度上保持正确的颗粒尺寸范围和主要分布特征。

值得注意的是，该模型将主要计算成本转移到离线训练阶段。训练完成后，单张 GISAXS 图像的 CPU 推理时间约为毫秒级别，无需反复前向模拟或迭代参数优化。因此，该方法为高通量 GISAXS 数据处理和原位实验中的实时反馈分析提供了可行路径。

总结/展望

本研究展示了一种面向纳米颗粒组装体 GISAXS 数据的深度学习反演分析流程。通过使用 DWBA 物理模拟生成训练数据，并结合实验条件下的背景、噪声、掩膜和预处理策略，卷积神经网络能够从二维 GISAXS 图像中快速预测金纳米颗粒的高度–半径联合分布。与传统依赖模型假设和迭代拟合的分析方法相比，该工作显著提升了数据处理速度，并为同步辐射高通量和原位 GISAXS 实验中的实时结构诊断提供了新思路。

同时，该方法目前仍是一个模型特定的反演框架，主要针对硅基底上的椭球/球形金纳米颗粒体系。未来可进一步扩展训练数据库，覆盖不同材料、形状、基底、聚集状态和多层结构，并引入不确定性量化、结构分类网络以及 X 射线反射、电子显微等互补表征信息，从而提升模型的泛化能力和预测可靠性。随着第四代同步辐射光源和原位实验的发展，基于深度学习的快速散射数据分析有望成为纳米结构表征的重要工具。

相关论文发表在Photon Science上，Yufeng Zhai（翟羽丰）博士为文章第一作者和共同通讯作者，Stephan V. Roth 教授为共同通讯作者。

Q&A

Photon Science:  您对该领域的发展有何愿景？

作者团队：

未来的同步辐射实验将产生更高通量、更复杂、时间分辨率更高的数据。我们认为，散射数据分析将逐渐从“人工调参和离线拟合”走向“物理模型约束下的自动化、实时化和智能化分析”。深度学习并不是替代物理理解，而是将物理模拟、实验先验和数据驱动方法结合起来，帮助研究者更高效地解释复杂散射图像。长远来看，这类方法有望推动原位实验中的实时反馈控制，加速纳米材料的设计、制备和性能优化。

Photon Science:  您认为该领域当前最值得关注/最有争议的研究热点是什么？

作者团队：

我认为当前最值得关注的问题之一，是如何在高通量和复杂实验条件下实现稳定的数据处理，并从高噪声、强背景和不完整数据中可靠地提取结构信息。随着同步辐射光源亮度和探测器采集速度不断提升，原位和高通量实验能够在短时间内产生大量二维散射图像。然而，数据质量往往受到样品环境、背景散射、探测器噪声、束斑变化和样品非均

一性的影响，其中噪声水平对有效信息的破坏尤为关键。当前一个核心问题是：在什么样的信噪比条件下，结构信息仍然可以被稳定恢复，以及如何设计方法在低信噪比情况下保持结果的可靠性。这些因素共同导致传统离线分析流程难以及时、稳定地处理这些数据。

另一个核心挑战是散射反问题本身的多解性。GISAXS 数据位于倒易空间，且相位信息丢失，不同的真实空间结构有时可能产生相似的散射特征。因此，如何避免模型过度简化、如何评估预测结果的不确定性、如何判断一个 AI 模型是否真正学习到了物理结构信息，而不是仅仅拟合了训练数据中的统计规律，是该领域非常重要的问题。

通讯作者信息

Stephan V. Roth 教授

德国电子同步加速器（DESY）首席科学家，并兼任瑞典皇家理工学院（KTH）教授，长期致力于可持续功能材料与先进表征方法研究。他的研究聚焦于基于可再生资源（如木质素和纤维素）的杂化材料开发，涵盖柔性电子、光伏器件及绿色薄膜工艺，同时结合机器学习推动现代数据分析方法的发展。他利用同步辐射和中子散射等原位与 operando 技术，研究纳米尺度自组装结构及其对材料性能的影响，致力于推动面向生物循环经济和可持续能源应用的新型材料体系发展。

Yufeng Zhai（翟羽丰） 博士后

Yufeng Zhai（翟羽丰）博士现工作于德国电子同步加速器 DESY，主要研究方向包括 GISAXS/GIWAXS/SAXS 数据分析、纳米结构表征、机器学习辅助反演方法，以及用于同步辐射散射实验的自动化分析流程与 GISAXS GUI 软件开发。其研究致力于将物理模型、模拟数据和人工智能方法相结合，实现从倒易空间散射图像到真实空间纳米结构信息的快速、可靠提取。

扫描二维码阅读英文原文

Photon Sci. 2026

https://doi.org/10.1021/photonsci.6c00015

Publication Date: June 25, 2026

© 2026 The Authors. Co-published by ShanghaiTech University and American Chemical Society. 

关于Photon Science 

作为一本国际化、高定位、跨学科的开放获取期刊，Photon Science 重点发表但不限于基于光子、电子、中子设施等重大科技基础设施开展的化学转化与能源材料等领域的研究。期刊同时也报道具有推动化学和材料科学发展潜力的仪器技术、方法学和数据研究方面的进展。

期刊将发表多种类型文章，包括研究论文(Article)、通讯(Communication)、综述(Review)、前瞻观点(Perspective)、方法(Methods/Protocols)、评论(Commentary)和社论(Editorial)。

• 2027年12月31日之前提交的所有文章，如果经同行评审后被接收，将自动免除文章出版费（APC）

 期刊编辑团队  

Photon Science由美国劳伦斯伯克利国家实验室高级科学家杨万里博士担任创刊主编，上海科技大学刘志教授担任创刊执行主编，德国马普学会弗里茨·哈伯研究所Hendrik Bluhm博士、意大利特里斯特电子同步辐射光源Laura Foglia博士、美国阿贡国家实验室Hua Zhou博士担任创刊副主编。编委团队包括来自中国、美国、德国、英国、瑞典、日本、瑞士等国家32位全球顶尖学者。

所有的稿件都将经过严格的、公平的、高效的同行评审，我们致力于以期刊的文章质量赢得读者的信任。如有任何疑问，请发送电子邮件至eic@photonsci.acs.org。

支持单位：