基于机器学习CREASE方法的小角散射数据解析：纳米颗粒尺寸与形状多分散性的精准量化

来自前沿领域的研究人员针对传统分析方法难以解析特征弱化的小角X射线散射(SAXS)数据这一难题，开发了机器学习增强的计算逆向散射分析(ML-CREASE)方法。该技术无需预设纳米颗粒形状(如球形/椭球形)和尺寸(0.5-50 nm)的先验知识，通过智能优化算法输出与实验数据匹配的多组结构参数解，成功量化了体系中纳米颗粒的体积分数、尺寸及纵横比的标准差等关键参数，为高通量纳米材料表征提供了突破性解决方案。

　　

在纳米材料表征领域，传统的小角X射线散射(SAXS)数据分析面临重大挑战——当散射图谱呈现"强特征""弱特征"或"无特征"时，常规解析模型(如多分散球体的lmfit模型)往往得出非唯一性解。尤其对于特征弱化的散射数据，以往简单归因于体系多分散性的做法显然不够精确。

研究团队创新性地将机器学习(ML)融入计算逆向散射分析(CREASE)，构建了智能解析框架。该方法直接"读懂"实验获得的SAXS图谱，通过自主优化算法输出多组候选结构解，这些解的模拟散射曲线均能与输入数据完美匹配。特别值得注意的是，该方法能同时解析纳米颗粒的尺寸多分散性和形状多分散性，输出包括颗粒体积分数、尺寸平均值/标准差(假设符合正态或对数正态分布)以及纵横比分布等关键参数。

对于典型的"弱特征"SAXS数据，传统电镜表征在高效性方面捉襟见肘。ML-CREASE的突破性在于：既能处理0.5-50 nm宽尺寸范围的纳米颗粒，又可自动识别球形/非球形(如椭球形)等复杂形状分布。研究证实，同时考虑尺寸和形状的双重多分散性时，计算散射曲线与实验数据的吻合度显著提升。这项技术为加速纳米材料"合成-表征"闭环优化提供了智能化的分析利器。