深度学习驱动的聚合物材料纳米结构参数智能提取：CorFuncSAXSNet在小角X射线散射分析中的突破

来自上海同步辐射光源BL19U2线站的研究团队开发了CorFuncSAXSNet深度学习框架，通过卷积神经网络、残差网络和q空间注意力网络三种架构，实现了从一维SAXS曲线直接预测半晶聚合物纳米结构参数（dc和da）。该模型对晶体层厚度预测误差仅0.109-0.112 nm，为同步辐射智能分析提供了新范式。

　　

半晶态聚合物的小角X射线散射(SAXS)分析长期依赖专家经验解读相关函数，过程费时费力。上海同步辐射光源BL19U2线站的研究团队另辟蹊径，开发出名为CorFuncSAXSNet的深度神经网络框架，能直接从原始一维SAXS曲线中"读"出纳米结构参数——包括片晶厚度(d_c)和非晶层厚度(d_a)。

研究团队构建了三大神经网络"梦之队"：卷积神经网络负责捕捉局部特征，残差网络解决梯度消失难题，而创新的q空间注意力网络则能聚焦关键散射矢量区域。通过高斯噪声注入和q值偏移插值等数据增强策略，模型对实验误差的容忍度显著提升。交叉验证显示，三个网络对d_c的预测误差控制在原子尺度（0.109-0.112 nm），d_a误差为0.459-0.499 nm。虽然当d_a值较大时预测精度有所下降（83.3%数据集中在4.5 < d_c < 6.5 nm和5.0 < d_a < 20.0 nm范围），但单条曲线分析时间突破1秒大关，彻底告别传统繁琐的图解分析法。

这项研究在人工智能与同步辐射结构分析之间架起桥梁，为未来实时智能光束线站建设奠定了算法基础。当深度学习遇上X射线散射，材料表征即将迎来"秒级解析"的新纪元。