研究背景
表面增强拉曼光谱（SERS）作为一种高灵敏度的分析技术，广泛应用于化学、环境监测、生命科学等领域。然而，纳米结构设计与优化中的复杂性，导致了传统方法依赖经验和试错过程，效率低且成本高。尽管已有一些尝试通过模拟与实验相结合的方式提高研究效率，但二者之间的协同尚存在显著的瓶颈。近年来，人工智能（AI）技术的快速发展为SERS研究带来了新的机遇。AI可以通过提高纳米结构设计、采集优化和光谱-结构关联等方面的效率，帮助解决传统方法中的问题。为了解决这一问题，厦门大学田中群院士研究团队在“Nature Nanotechnology”期刊上发表了题为“AI-nano-driven surface-enhanced Raman spectroscopy for marketable technologies”的最新观点。本文探讨了AI辅助的纳米驱动SERS及AI-纳米驱动SERS的最新进展，强调AI在纳米结构的智能设计、实验过程优化和光谱分析中的应用潜力。最终，AI的引入不仅能推动SERS技术的稳定性和灵敏度提升，更有望引领SERS技术走向更广阔的市场应用领域。
研究内容
表面增强拉曼光谱（SERS）发现50周年，标志着这一领域作为纳米科学与纳米技术最古老且最具活力的分支之一。如今，纳米结构基础上的SERS技术正迎来与人工智能（AI）工具结合的机遇，力求克服当前商业化过程中遇到的挑战。50年前，南安普顿大学的Fleischmann、Hendra和McQuillan的开创性研究为表面增强拉曼光谱（SERS）的诞生奠定了基础。他们关于表面拉曼光谱的高质量研究论文立刻吸引了来自西北大学的Van Duyne和Jeanmaire的注意，并通过仔细的复制和验证，揭示了大约105–106倍的表面增强效应，这一发现挑战了传统拉曼光谱的基本原理。这一发现激发了科学界的极大兴趣，推动了人们对SERS中意外增强效应的探索，尤其是其卓越的表面敏感性。然而，随之而来的挑战是，增强效应依赖于由自由电子金属构成的纳米结构，这些结构在当时尚未得到充分的表征和控制。材料的一般性和控制难度限制了SERS从20世纪80年代到90年代中期的发展，导致SERS相关的出版物数量较传统拉曼光谱有所下降。进入90年代，随着纳米技术的进步，SERS技术迎来了新的发展阶段。1995年，首次实现了SERS效应与纳米粒子尺寸的相关性研究；1997年，展示了单分子敏感性；2000年发明了尖端增强拉曼光谱（TERS），并且在随后的几年里，展示了亚纳米尺度甚至单键级别的TERS；2010年，壳隔离纳米粒子增强拉曼光谱（SHINERS）的发展拓宽了SERS的材料和形态学的应用范围；2011年，飞秒SERS的展示提供了分子动态在纳米粒子表面变化的宝贵见解。这些进展使得SERS巩固了其作为纳米科学与纳米技术基石之一的地位，每年约有4000篇相关论文发表。 尽管在基础研究方面取得了诸多突出成就，但SERS技术的商业化进展却异常缓慢。考虑到SERS具有高灵敏度、优异的光谱、空间和时间分辨率等众多优势，这一趋势令人意外。2002年，Michael Natan成立了首家商业化SERS公司——Nanoplex Technologies Inc。尽管在过去二十多年里，许多公司也在推动SERS技术的商业化，但到2023年，SERS的全球市场规模仍然相对较小，约为1.5亿美元，年增长率预计不到8%。基础研究的爆炸性增长与商业化产品的转化之间的差异，源于两者在优先级上的不同：商业应用更注重实际复杂分析，而非极端灵敏度。正如图1所示，基础研究往往集中于简化的单物种或标准共振分子，而商业化则需要应对复杂任务，如在实际样品（如食品和血液）中检测和区分多种分子（通常为十几种），同时考虑到这些体系中分子间复杂的相互作用。图1：SERS自发现以来，发展沿着三条不同的方向展开，每条方向有不同的重点、优先级和瓶颈。图1 a，光谱学基础研究致力于在理想条件下（如低温和共振分子）达到极致的灵敏度和分辨率。然而，这些条件并不适用于所有应用，且通常局限于特定分子或少数二维材料作为基底。b，广泛应用旨在通过探索多种基底、形态和分子通用性，涵盖不同的科学领域，包括常用的非共振分子。主要的技术挑战在于将SERS适应于各种实验设置和条件。c，商业和市场应用专注于复杂分析（如蛋白质、病毒、食品添加剂等）以及在实际应用中遇到的环境，这些应用优先考虑处理分子、光子和纳米结构在实际系统中的复杂相互作用。确保光谱信号的一致性和稳定性对于成功的市场整合和广泛采用至关重要，需要开发可靠、一致、可重复且具有成本效益的解决方案。 为了加速SERS作为商业化多功能分析工具的采用，必须在材料稳定性、通用性和测量可靠性方面取得进一步进展。（这些发展瓶颈可能不仅仅是SERS的特有问题，许多其他纳米技术也面临类似的挑战。纳米驱动的SERS 从本质上讲，SERS是一个涉及光子、分子和纳米结构三方相互作用的过程。因此，它既继承了纳米技术的优势，也存在其固有的缺点。例如，SERS利用金属纳米结构中等离子共振产生的强局部电场增强，从而实现单分子级别的检测极限。然而，这种增强效应仅限于特定的金属纳米结构，导致材料和形态学的通用性受到限制。此外，这些纳米结构金属具有内在的不稳定性，由于表面能较高，严重影响了SERS测量的可重复性和可靠性。稳定性在决定许多纳米结构基础产品的商业成功中发挥着至关重要的作用，SERS/TERS/SHINERS等活性材料也不例外。自由电子金属纳米结构能够提供最高的增强效应，但在室温下，由于原子具有较高的迁移性，会导致金属表面发生纳米级重构。此外，分析物分子在这些表面上的迁移性也使得难以准确表征和控制纳米结构的表面结构。在激光照射下，由于局部加热效应，这种结构不稳定性进一步加剧，导致SERS光谱强度的波动，这一现象被称为信号“闪烁”。在热点区域内，若移除表面上的一个原子，信号强度就可能发生1至2个数量级的变化。SERS中纳米结构稳定性与灵敏度之间的关系可以大致用一种不确定性原理来描述，即“增强效应越强，越难以了解涉及的亚结构的原子级细节”。 另一个需要考虑的因素是SERS的存储稳定性。商业化通常要求纳米结构具有大约两年的较长保质期，同时保持高度的可重复性。然而，SERS纳米粒子在热力学上不稳定，容易在环境中发生聚集、污染和降解，通常其寿命仅为几周。为了延长存储稳定性，通常通过保护配体或功能基团修饰这些纳米结构。然而，这些配体的存在会占据表面吸附位点，从而降低对分析物的检测灵敏度和选择性。壳隔离纳米粒子（SHINs）是一种有前景的提升稳定性和适用性的方法，因为其具有化学和电学惰性壳层。然而，这种增加的稳定性通常会以灵敏度的降低为代价，因为较厚的壳层会导致SERS信号变弱。为了保持足够的检测灵敏度，SHINs中使用的介电壳层应约为2纳米厚。在这种厚度下，保持无缺陷结构并确保稳定性持续数月甚至数年的挑战仍然存在。这种取舍依然是行业专业人士面临的重要难题。目前，大多数SERS可检测的分析物是强吸附分子，且具有较大的拉曼散射截面。希望能够扩大SERS检测的可靠性，以包括弱吸附分子及各种材料表面和界面。此外，可靠且可重复的SERS信号依赖于建立适用于各种实际场景的样品预处理、测量和分析标准协议。为了实现这一目标，学术界和工业界应携手开展批内和批间一致性研究。可商业化的技术还需要解决成本相关的问题。许多实际场景需要现场检测分析物。对于食品安全、即时检测和环境监测，传统的实验室光谱仪是不可行的。SERS领域的一个巨大机遇是将适合的SERS基底与便携式拉曼仪器结合，取代实验室光谱仪进行现场快速检测。尽管微型化不可避免地会导致分辨率和检测灵敏度的折衷，但制造芯片级拉曼光谱仪，并有可能将SERS技术集成到个人用户终端，如智能手机，仍然是SERS技术商业化的目标。在当前的纳米驱动SERS研究范式中，突破依赖于模拟与实验方法的共生。然而，这两种方法之间的差距仍然存在显著障碍。如图2a所示，当前的工作流程涉及通过数值模拟设计优化的纳米结构，这些模拟通过经验知识设定参数以预测SERS性能。然而，这种方法通常效率低下且成本高，尤其是在需要对纳米结构进行原子级精确控制时，光学响应与合成参数之间的联系往往不清晰。因此，开发仍然高度依赖实验中的试错过程。此外，在复杂环境中解释光谱-结构的关联也是一个挑战，因为分子-纳米结构的相互作用通常会以多种方式改变SERS光谱，从而影响SERS分析的可靠性。鉴于这些瓶颈，近年来人工智能（AI）的进步应被有效利用，以解决SERS基本理解和市场化中的挑战。 图2：从纳米驱动SERS到AI辅助和AI-纳米驱动SERS研究范式
a，纳米驱动SERS研究的工作流程。实验和理论的紧密协作贯穿所有阶段。列出了对实验和计算结果影响显著的典型参数，这些参数通常由先前的知识和经验决定。然而，实验参数与理论参数之间的联系模糊不清，如虚线箭头所示。b，AI辅助的纳米驱动SERS和AI-纳米驱动SERS的工作流程。在AI辅助的纳米驱动SERS中，训练过的AI模型提高了纳米结构设计与制造、仪器优化或光谱解读的效率和准确性。AI-纳米驱动SERS旨在将这些模块整合到一起，形成自驱动的闭环。它通过从最终解释结果中获得实时现场反馈，指导纳米结构制造和仪器调整，如红色箭头所示。闭环内生成的新数据对自我优化至关重要。c，AI-纳米驱动SERS支持的两种典型市场应用包括用于科学研究的智能研究仪器（左）和用于个人用户的微型智能设备（右）。 作者将AI辅助的纳米驱动SERS研究分为三个方面：纳米结构引导、采集优化和光谱-结构关联（如图2b所示）。AI模型的科学数据库可以通过汇编来自高精度实验测量（包括光谱学和扫描电子显微镜）、高通量理论计算（如光学属性模拟和DFT计算）以及广泛文献挖掘的数据建立8。AI辅助的纳米结构引导主要包括三个相关组成部分：制造条件、结构模型和等离子体响应预测。预训练的AI模型可以定量地建立这些组件之间复杂的高维关系（如图2b，部分i所示）。这使得逆向设计方法能够实现期望的等离子体响应，从而避免了传统工作流程中的试错方法9，减少了SERS纳米结构制备的时间和成本。此外，AI辅助的引导还能够预测那些在传统方法中未曾探索过的新型SERS纳米结构。通过使用AI引导的自动化制造，例如机器人AI化学家系统8,10，可以提高SERS纳米结构的一致性。AI辅助的采集优化过程（图2b，部分ii）包括仪器调整、采集参数和增强信号或图像。该过程能够抑制仪器噪声，并从低信噪比数据中提取有意义的信号，从而提高检测限。例如，集成图像识别算法与自动化仪器控制反馈可以高效地定位感兴趣的纳米结构，进行数据采集，并获得高通量的标准化实验数据11，从而减少SERS光谱的波动。通过数据增强，可以从低质量和低分辨率的光谱或图像中恢复和提取光谱特征12，从而放宽对检测灵敏度或分辨率的限制。例如，传统上完全打开拉曼光谱仪的入射狭缝会增加信号通量，但会以牺牲能量分辨率为代价。然而，通过集成AI算法，可以准确地恢复能量分辨率，从而提高信噪比13。这对于微型化拉曼设备尤为重要。通过集成AI技术获得的提高光谱灵敏度，使得更多惰性且稳定的SERS纳米结构能够在实际应用中得到使用。 AI辅助的光谱-结构关联（图2b，部分iii）包括库匹配、光谱分类和光谱解读。训练良好的AI模型可以提供快速的光谱数据处理、分析、解读，并提取海量数据中的隐藏模式和关联。因此，基于训练数据集中的模式，可以实现对分子结构的准确预测14。这对于快速检测和量化痕量物质，并在现场检测场景中实现无专家决策具有特别的益处。需要强调的是，在当前的AI辅助纳米驱动SERS研究领域，努力主要集中在这三个独立模块的研究上，且各自展现出解决稳定性、一致性和灵敏度问题的潜力。作者预期通过一种协同方法，将这些子功能模块整合成无缝的自驱动闭环过程（如图2b中的红色箭头所示）进行持续优化，这种方法被作者称为AI-纳米驱动SERS。在AI-纳米驱动SERS中，与以前的AI辅助方法的主要区别在于闭环内数据交换和生成过程的持续进行（如红色箭头所示）。最初，从期望的光谱响应开始，合适的SERS材料经过逆向设计后，自动由更高级的机器人系统合成。合成的材料和相应的数据被传输到光谱采集模块，在该模块中，仪器自动调整光路并优化测量条件，以根据传输的合成数据获得高质量的光谱。数据分析模块快速建立光谱-结构的关联，并由中央AI模块进行决策、现场反馈和协同优化。中央AI模块调整分析设备的工作条件，并通知样品制备和数据采集模块进行进一步调整，启动闭环的另一个周期。每个子功能模块的检测灵敏度和分析速度决定了整个闭环的流速；确保每个模块高效运作是前提条件。 实时AI-纳米驱动SERS分析在工业场景中尤为强大。以SERS监测电池故障为例，实时分析工作过程中的表征数据将通过快速反馈实现即时调整，从而优化设备性能。与传统的光谱表征场景相比，后者通常需要几天时间来完成数据处理和得出结论，然后才会指导后续的实验周期。这些AI驱动的进展有望重塑SERS基于产品的未来市场潜力，可以大致分为两个主要领域（图2c）。第一个领域是研究级产品，专为实验室环境中的智能光谱学研究而设计。第二个领域是应用级产品，侧重于便携式智能设备，用于基于现场或POC的使用。两个领域都可以在一致性、稳定性和适用性方面从AI-纳米驱动SERS技术中获益。产品应用与技术进步之间的共生关系突显了SERS分析领域快速发展的潜力。长期的最终目标是充分利用AI的巨大优势，自动学习并发展SERS的方法和技术。随着训练参数和数据量达到临界阈值，大规模的AI模型可能会展现出突现能力15，从而可能导致新型光学材料、结构和工作原理的创造。这一方法将区别于传统的工作流程（图2a），并会引入不可预测的仪器设计和分析能力。
研究展望
作者的愿景是，通过本文引发读者的兴趣，使AI成为一种促进纳米结构基础SERS扩展到更多商业应用的推动力。他们通过直流自旋-轨道扭矩诱导了W/Mn3Sn外延双层中的反铁磁自旋的相干旋转，并展示了这一自旋旋转与微波电流的高效耦合。该耦合动态通过整流效应产生了直流反常霍尔电压，作者将其称为反铁磁自旋-扭矩二极管效应。 与铁磁系统不同，由于交换相互作用对进动圆锥角的稳定化，输出电压对频率的依赖性较小。在10 GHz到30 GHz范围内，输出电压仅减少了10%。数值模拟进一步揭示，整流信号来源于微波自旋-轨道扭矩对反铁磁自旋旋转的快速频率调制。这些成果有望推动下一代通信应用中高速微波器件的发展。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
