二维红外谱不再只做分类：多任务网络直接反演跃迁偶极矩阵，验证集RMSE降到0.085

二维红外光谱现在可以直接给出跃迁偶极矩阵，而不只是被分类器贴上标签。跃迁偶极矩阵元素刻画分子结构与光与物质相互作用，通常并不直接测量，而是从吸收、发射强度、辐射寿命等线性与非线性可观测量中间接推断。 此前的机器学习与光谱结合多集中在分类任务和粗略参数推断，从二维红外谱直接推断有物理意义的量仍被视为需要高预测精度的困难逆问题。 在验证集上，模型对跃迁偶极矩阵的均方根误差为0.085，决定系数为0.97，归一化互相关为0.98；能级结构分类中单激发态数目预测准确率与双激发态存在性预测准确率分别达到相应水平。

网络把能级结构判断和偶极矩阵回归放在一起做，并用物理掩码限制哪些矩阵元需要预测。输入是一张二维红外谱，卷积主干提取特征后经门控融合与空间注意力细化，再由三个预测头分别输出单激发态数目、双激发态是否存在以及跃迁偶极矩阵。 回归头只预测对称偶极矩阵上三角的非对角元，排除基态到双激发态、单激发态之间以及双激发态之间的跃迁，这一掩码把先验物理知识写进模型，减少参数冗余。 训练数据由非厄米哈密顿量方法生成，共8000条模拟二维红外谱，覆盖3至10个能级的体系，按子数据集分层划分为80%训练集与20%验证集，训练160个轮次。

误差在不同跃迁类型上分层，而不是均匀下降。十能级体系中，基态到单激发态跃迁的相对误差最低，单激发态到双激发态之间允许跃迁的相对误差也较低，而名义禁戒或弱允许跃迁的相对误差明显更大。 弱允许跃迁的偶极矩阵元本身幅值小、谱特征弱，且出现在相对误差的分母中，因此很小的绝对偏差也会放大成较大的相对误差；不同跃迁频率相近造成的谱峰重叠进一步限制了解耦。 在更简单的能级结构中，基态到单激发态跃迁的相对误差比十能级情形低约一个量级，但最简单构型下相对误差反而升高，说明谱的可辨识性本身构成限制。

当前演示范围限于固定分子取向、单一等待时间为零的模拟二维红外谱，体系含3至10个能级，数据由非厄米哈密顿量方法在短布居时间近似下生成。目标量是实验室坐标系下沿选定偏振方向的投影偶极振幅，适用于以模拟谱为输入的逆问题评估场景。

非厄米哈密顿量方法在长布居时间与稳态行为上可能偏离，主要影响绝对信号标度。数据集未包含取向平均，笛卡尔投影的符号无法从所考虑的偏振配置中唯一确定。各向同性系综下旋转不变量能否唯一恢复仍待确认。