研究背景
表面增強拉曼光譜（SERS）作為一種高靈敏度的分析技術，廣泛應用于化學、環境監測、生命科學等領域。然而，納米結構設計與優化中的復雜性，導致了傳統方法依賴經驗和試錯過程，效率低且成本高。盡管已有一些嘗試通過模擬與實驗相結合的方式提高研究效率，但二者之間的協同尚存在顯著的瓶頸。近年來，人工智能（AI）技術的快速發展為SERS研究帶來了新的機遇。AI可以通過提高納米結構設計、采集優化和光譜-結構關聯等方面的效率，幫助解決傳統方法中的問題。為了解決這一問題，廈門大學田中群院士研究團隊在“Nature Nanotechnology”期刊上發表了題為“AI-nano-driven surface-enhanced Raman spectroscopy for marketable technologies”的最新觀點。本文探討了AI輔助的納米驅動SERS及AI-納米驅動SERS的最新進展，強調AI在納米結構的智能設計、實驗過程優化和光譜分析中的應用潛力。最終，AI的引入不僅能推動SERS技術的穩定性和靈敏度提升，更有望引領SERS技術走向更廣闊的市場應用領域。
研究內容
表面增強拉曼光譜（SERS）發現50周年，標志著這一領域作為納米科學與納米技術最古老且最具活力的分支之一。如今，納米結構基礎上的SERS技術正迎來與人工智能（AI）工具結合的機遇，力求克服當前商業化過程中遇到的挑戰。50年前，南安普頓大學的Fleischmann、Hendra和McQuillan的開創性研究為表面增強拉曼光譜（SERS）的誕生奠定了基礎。他們關于表面拉曼光譜的高質量研究論文立刻吸引了來自西北大學的Van Duyne和Jeanmaire的注意，并通過仔細的復制和驗證，揭示了大約105–106倍的表面增強效應，這一發現挑戰了傳統拉曼光譜的基本原理。這一發現激發了科學界的極大興趣，推動了人們對SERS中意外增強效應的探索，尤其是其卓越的表面敏感性。然而，隨之而來的挑戰是，增強效應依賴于由自由電子金屬構成的納米結構，這些結構在當時尚未得到充分的表征和控制。材料的一般性和控制難度限制了SERS從20世紀80年代到90年代中期的發展，導致SERS相關的出版物數量較傳統拉曼光譜有所下降。進入90年代，隨著納米技術的進步，SERS技術迎來了新的發展階段。1995年，首次實現了SERS效應與納米粒子尺寸的相關性研究；1997年，展示了單分子敏感性；2000年發明了尖端增強拉曼光譜（TERS），并且在隨后的幾年里，展示了亞納米尺度甚至單鍵級別的TERS；2010年，殼隔離納米粒子增強拉曼光譜（SHINERS）的發展拓寬了SERS的材料和形態學的應用范圍；2011年，飛秒SERS的展示提供了分子動態在納米粒子表面變化的寶貴見解。這些進展使得SERS鞏固了其作為納米科學與納米技術基石之一的地位，每年約有4000篇相關論文發表。 盡管在基礎研究方面取得了諸多突出成就，但SERS技術的商業化進展卻異常緩慢。考慮到SERS具有高靈敏度、優異的光譜、空間和時間分辨率等眾多優勢，這一趨勢令人意外。2002年，Michael Natan成立了首家商業化SERS公司——Nanoplex Technologies Inc。盡管在過去二十多年里，許多公司也在推動SERS技術的商業化，但到2023年，SERS的全球市場規模仍然相對較小，約為1.5億美元，年增長率預計不到8%。基礎研究的爆炸性增長與商業化產品的轉化之間的差異，源于兩者在優先級上的不同：商業應用更注重實際復雜分析，而非極端靈敏度。正如圖1所示，基礎研究往往集中于簡化的單物種或標準共振分子，而商業化則需要應對復雜任務，如在實際樣品（如食品和血液）中檢測和區分多種分子（通常為十幾種），同時考慮到這些體系中分子間復雜的相互作用。圖1：SERS自發現以來，發展沿著三條不同的方向展開，每條方向有不同的重點、優先級和瓶頸。圖1 a，光譜學基礎研究致力于在理想條件下（如低溫和共振分子）達到極致的靈敏度和分辨率。然而，這些條件并不適用于所有應用，且通常局限于特定分子或少數二維材料作為基底。b，廣泛應用旨在通過探索多種基底、形態和分子通用性，涵蓋不同的科學領域，包括常用的非共振分子。主要的技術挑戰在于將SERS適應于各種實驗設置和條件。c，商業和市場應用專注于復雜分析（如蛋白質、病毒、食品添加劑等）以及在實際應用中遇到的環境，這些應用優先考慮處理分子、光子和納米結構在實際系統中的復雜相互作用。確保光譜信號的一致性和穩定性對于成功的市場整合和廣泛采用至關重要，需要開發可靠、一致、可重復且具有成本效益的解決方案。 為了加速SERS作為商業化多功能分析工具的采用，必須在材料穩定性、通用性和測量可靠性方面取得進一步進展。（這些發展瓶頸可能不僅僅是SERS的特有問題，許多其他納米技術也面臨類似的挑戰。納米驅動的SERS 從本質上講，SERS是一個涉及光子、分子和納米結構三方相互作用的過程。因此，它既繼承了納米技術的優勢，也存在其固有的缺點。例如，SERS利用金屬納米結構中等離子共振產生的強局部電場增強，從而實現單分子級別的檢測極限。然而，這種增強效應僅限于特定的金屬納米結構，導致材料和形態學的通用性受到限制。此外，這些納米結構金屬具有內在的不穩定性，由于表面能較高，嚴重影響了SERS測量的可重復性和可靠性。穩定性在決定許多納米結構基礎產品的商業成功中發揮著至關重要的作用，SERS/TERS/SHINERS等活性材料也不例外。自由電子金屬納米結構能夠提供最高的增強效應，但在室溫下，由于原子具有較高的遷移性，會導致金屬表面發生納米級重構。此外，分析物分子在這些表面上的遷移性也使得難以準確表征和控制納米結構的表面結構。在激光照射下，由于局部加熱效應，這種結構不穩定性進一步加劇，導致SERS光譜強度的波動，這一現象被稱為信號“閃爍”。在熱點區域內，若移除表面上的一個原子，信號強度就可能發生1至2個數量級的變化。SERS中納米結構穩定性與靈敏度之間的關系可以大致用一種不確定性原理來描述，即“增強效應越強，越難以了解涉及的亞結構的原子級細節”。 另一個需要考慮的因素是SERS的存儲穩定性。商業化通常要求納米結構具有大約兩年的較長保質期，同時保持高度的可重復性。然而，SERS納米粒子在熱力學上不穩定，容易在環境中發生聚集、污染和降解，通常其壽命僅為幾周。為了延長存儲穩定性，通常通過保護配體或功能基團修飾這些納米結構。然而，這些配體的存在會占據表面吸附位點，從而降低對分析物的檢測靈敏度和選擇性。殼隔離納米粒子（SHINs）是一種有前景的提升穩定性和適用性的方法，因為其具有化學和電學惰性殼層。然而，這種增加的穩定性通常會以靈敏度的降低為代價，因為較厚的殼層會導致SERS信號變弱。為了保持足夠的檢測靈敏度，SHINs中使用的介電殼層應約為2納米厚。在這種厚度下，保持無缺陷結構并確保穩定性持續數月甚至數年的挑戰仍然存在。這種取舍依然是行業專業人士面臨的重要難題。目前，大多數SERS可檢測的分析物是強吸附分子，且具有較大的拉曼散射截面。希望能夠擴大SERS檢測的可靠性，以包括弱吸附分子及各種材料表面和界面。此外，可靠且可重復的SERS信號依賴于建立適用于各種實際場景的樣品預處理、測量和分析標準協議。為了實現這一目標，學術界和工業界應攜手開展批內和批間一致性研究。可商業化的技術還需要解決成本相關的問題。許多實際場景需要現場檢測分析物。對于食品安全、即時檢測和環境監測，傳統的實驗室光譜儀是不可行的。SERS領域的一個巨大機遇是將適合的SERS基底與便攜式拉曼儀器結合，取代實驗室光譜儀進行現場快速檢測。盡管微型化不可避免地會導致分辨率和檢測靈敏度的折衷，但制造芯片級拉曼光譜儀，并有可能將SERS技術集成到個人用戶終端，如智能手機，仍然是SERS技術商業化的目標。在當前的納米驅動SERS研究范式中，突破依賴于模擬與實驗方法的共生。然而，這兩種方法之間的差距仍然存在顯著障礙。如圖2a所示，當前的工作流程涉及通過數值模擬設計優化的納米結構，這些模擬通過經驗知識設定參數以預測SERS性能。然而，這種方法通常效率低下且成本高，尤其是在需要對納米結構進行原子級精確控制時，光學響應與合成參數之間的聯系往往不清晰。因此，開發仍然高度依賴實驗中的試錯過程。此外，在復雜環境中解釋光譜-結構的關聯也是一個挑戰，因為分子-納米結構的相互作用通常會以多種方式改變SERS光譜，從而影響SERS分析的可靠性。鑒于這些瓶頸，近年來人工智能（AI）的進步應被有效利用，以解決SERS基本理解和市場化中的挑戰。 圖2：從納米驅動SERS到AI輔助和AI-納米驅動SERS研究范式
a，納米驅動SERS研究的工作流程。實驗和理論的緊密協作貫穿所有階段。列出了對實驗和計算結果影響顯著的典型參數，這些參數通常由先前的知識和經驗決定。然而，實驗參數與理論參數之間的聯系模糊不清，如虛線箭頭所示。b，AI輔助的納米驅動SERS和AI-納米驅動SERS的工作流程。在AI輔助的納米驅動SERS中，訓練過的AI模型提高了納米結構設計與制造、儀器優化或光譜解讀的效率和準確性。AI-納米驅動SERS旨在將這些模塊整合到一起，形成自驅動的閉環。它通過從最終解釋結果中獲得實時現場反饋，指導納米結構制造和儀器調整，如紅色箭頭所示。閉環內生成的新數據對自我優化至關重要。c，AI-納米驅動SERS支持的兩種典型市場應用包括用于科學研究的智能研究儀器（左）和用于個人用戶的微型智能設備（右）。 作者將AI輔助的納米驅動SERS研究分為三個方面：納米結構引導、采集優化和光譜-結構關聯（如圖2b所示）。AI模型的科學數據庫可以通過匯編來自高精度實驗測量（包括光譜學和掃描電子顯微鏡）、高通量理論計算（如光學屬性模擬和DFT計算）以及廣泛文獻挖掘的數據建立8。AI輔助的納米結構引導主要包括三個相關組成部分：制造條件、結構模型和等離子體響應預測。預訓練的AI模型可以定量地建立這些組件之間復雜的高維關系（如圖2b，部分i所示）。這使得逆向設計方法能夠實現期望的等離子體響應，從而避免了傳統工作流程中的試錯方法9，減少了SERS納米結構制備的時間和成本。此外，AI輔助的引導還能夠預測那些在傳統方法中未曾探索過的新型SERS納米結構。通過使用AI引導的自動化制造，例如機器人AI化學家系統8,10，可以提高SERS納米結構的一致性。AI輔助的采集優化過程（圖2b，部分ii）包括儀器調整、采集參數和增強信號或圖像。該過程能夠抑制儀器噪聲，并從低信噪比數據中提取有意義的信號，從而提高檢測限。例如，集成圖像識別算法與自動化儀器控制反饋可以高效地定位感興趣的納米結構，進行數據采集，并獲得高通量的標準化實驗數據11，從而減少SERS光譜的波動。通過數據增強，可以從低質量和低分辨率的光譜或圖像中恢復和提取光譜特征12，從而放寬對檢測靈敏度或分辨率的限制。例如，傳統上完全打開拉曼光譜儀的入射狹縫會增加信號通量，但會以犧牲能量分辨率為代價。然而，通過集成AI算法，可以準確地恢復能量分辨率，從而提高信噪比13。這對于微型化拉曼設備尤為重要。通過集成AI技術獲得的提高光譜靈敏度，使得更多惰性且穩定的SERS納米結構能夠在實際應用中得到使用。 AI輔助的光譜-結構關聯（圖2b，部分iii）包括庫匹配、光譜分類和光譜解讀。訓練良好的AI模型可以提供快速的光譜數據處理、分析、解讀，并提取海量數據中的隱藏模式和關聯。因此，基于訓練數據集中的模式，可以實現對分子結構的準確預測14。這對于快速檢測和量化痕量物質，并在現場檢測場景中實現無專家決策具有特別的益處。需要強調的是，在當前的AI輔助納米驅動SERS研究領域，努力主要集中在這三個獨立模塊的研究上，且各自展現出解決穩定性、一致性和靈敏度問題的潛力。作者預期通過一種協同方法，將這些子功能模塊整合成無縫的自驅動閉環過程（如圖2b中的紅色箭頭所示）進行持續優化，這種方法被作者稱為AI-納米驅動SERS。在AI-納米驅動SERS中，與以前的AI輔助方法的主要區別在于閉環內數據交換和生成過程的持續進行（如紅色箭頭所示）。最初，從期望的光譜響應開始，合適的SERS材料經過逆向設計后，自動由更高級的機器人系統合成。合成的材料和相應的數據被傳輸到光譜采集模塊，在該模塊中，儀器自動調整光路并優化測量條件，以根據傳輸的合成數據獲得高質量的光譜。數據分析模塊快速建立光譜-結構的關聯，并由中央AI模塊進行決策、現場反饋和協同優化。中央AI模塊調整分析設備的工作條件，并通知樣品制備和數據采集模塊進行進一步調整，啟動閉環的另一個周期。每個子功能模塊的檢測靈敏度和分析速度決定了整個閉環的流速；確保每個模塊高效運作是前提條件。 實時AI-納米驅動SERS分析在工業場景中尤為強大。以SERS監測電池故障為例，實時分析工作過程中的表征數據將通過快速反饋實現即時調整，從而優化設備性能。與傳統的光譜表征場景相比，后者通常需要幾天時間來完成數據處理和得出結論，然后才會指導后續的實驗周期。這些AI驅動的進展有望重塑SERS基于產品的未來市場潛力，可以大致分為兩個主要領域（圖2c）。第一個領域是研究級產品，專為實驗室環境中的智能光譜學研究而設計。第二個領域是應用級產品，側重于便攜式智能設備，用于基于現場或POC的使用。兩個領域都可以在一致性、穩定性和適用性方面從AI-納米驅動SERS技術中獲益。產品應用與技術進步之間的共生關系突顯了SERS分析領域快速發展的潛力。長期的最終目標是充分利用AI的巨大優勢，自動學習并發展SERS的方法和技術。隨著訓練參數和數據量達到臨界閾值，大規模的AI模型可能會展現出突現能力15，從而可能導致新型光學材料、結構和工作原理的創造。這一方法將區別于傳統的工作流程（圖2a），并會引入不可預測的儀器設計和分析能力。
研究展望
作者的愿景是，通過本文引發讀者的興趣，使AI成為一種促進納米結構基礎SERS擴展到更多商業應用的推動力。他們通過直流自旋-軌道扭矩誘導了W/Mn3Sn外延雙層中的反鐵磁自旋的相干旋轉，并展示了這一自旋旋轉與微波電流的高效耦合。該耦合動態通過整流效應產生了直流反常霍爾電壓，作者將其稱為反鐵磁自旋-扭矩二極管效應。 與鐵磁系統不同，由于交換相互作用對進動圓錐角的穩定化，輸出電壓對頻率的依賴性較小。在10 GHz到30 GHz范圍內，輸出電壓僅減少了10%。數值模擬進一步揭示，整流信號來源于微波自旋-軌道扭矩對反鐵磁自旋旋轉的快速頻率調制。這些成果有望推動下一代通信應用中高速微波器件的發展。Yi, J., You, EM., Liu, GK. et al. AI–nano-driven surface-enhanced Raman spectroscopy for marketable technologies. Nat. Nanotechnol. (2024). https://doi.org/10.1038/s41565-024-01825-9
