卷积神经网络从合成多极-Padé谱训练后单次前向推断等离激元极点，并迁移到第一性原理与实验介电谱
核心概要
该工作构建了一个一维卷积神经网络，用解析多极-Padé表达式随机采样生成的合成介电谱训练，直接反演谱的极点参数（能量、展宽、谱重），无需材料专属数据；在合成验证谱、RPA第一性原理谱（Al、Ca、Ti）以及实验谱（Si、ZnO、Ta、Mo）上，单次前向即可重建主导谱结构，且仅用虚部输入也能恢复极点表示。
Figure 1: Schematic representation of the CNN architecture used to infer the MPA representation of the dielectric spectra. The input consists of the frequency grid and the real and imaginary components of the dielectric response, { ω i , ℜ 𝔢 𝔜 ( ω 𝔦 ) , ℑ 𝔪 𝔜 ( ω 𝔦 ) } 𝔦 = 1 𝔫 ω \{\omega_{i},\mathgothic{Re}\,Y(\omega_{i}),\mathgothic{Im}\,Y(\omega_{i})\}_{i=1}^{n_{\omega}} , sampled on n ω = 1000 n_{\omega}=1000 frequency points. The convolutional part of the network comprises four one-dimensional convolutional layers with kernel sizes k = 101 k=101 , k = 21 k=21 , k = 7 k=7 , and k = 3 k=3 , respectively, with GELU activations and max-pooling operations after the first three convolutional layers. An adaptive average-pooling operation reduces the resulting feature representation to 128 × 50 128\times 50 , which is flattened and passed through a fully connected layer with 128 neurons and a GELU activation. The final linear layer outputs the 3 n p 3n_{p} MPA parameters { ℜ 𝔢 Ω 𝔭 , ℑ 𝔪 Ω 𝔭 , 𝔯 𝔭 } 𝔭 = 1 𝔫 𝔭 \{\mathgothic{Re}\,\Omega_{p},\mathgothic{Im}\,\Omega_{p},r_{p}\}_{p=1}^{n_{p}} . The spectra shown at the left and right illustrate the input response and its corresponding reconstruction from the predicted MPA parameters, respectively; the upper and lower panels show their real and imaginary components.
arXiv深度剖析
提出用一维CNN直接学习从介电响应到其多极-Padé（MPA）极点表示的逆映射，输出复极点与实正权重，并在输出参数化中显式嵌入物理约束（极点虚部满足使极点更靠近实频轴、权重为正）。 以往MPA表示多由有限频率采样构造或对全频响应做非线性拟合；这里把逆映射本身作为学习目标，一次前向即可给出极点参数，替代对初值和拟合选择敏感的非线性拟合流程。 在合成验证谱上，重建谱与目标谱高度一致；对含多个重叠极点的数据集，预测极点参数与目标值接近且绝对误差小；训练与验证损失在最多300个epoch内下降数个量级并趋于饱和，二者保持接近。
训练集完全由解析MPA表达式随机采样生成，不依赖任何具体材料的谱数据库，因此学到的映射可迁移到训练分布之外的第一性原理与实验谱。 与从材料信息预测介电函数、或用材料专属数据训练的做法不同，这里用无材料偏置的合成系综学习谱与其极点结构之间的一般关系。 合成系综覆盖最多若干极点、100 eV区间内均匀频率网格，并对多极点施加类Rayleigh判据以排除能量间隔过小的极点对；训练/验证按80%对20%划分。迁移测试覆盖RPA的Al（两个动量转移）、Ca、Ti，以及实验的Si、ZnO、Ta、Mo。
反演难度随重叠激发数目增加而上升：极点参数的平均、中位与95%绝对误差随极点数单调增大，但重建响应的误差未必同步增大，因为弱谱重极点对总谱贡献有限。 把参数误差与响应重建误差区分开来评估，说明小谱重极点的位置或展宽误差较大时，主导谱结构仍可被准确恢复。 表1给出四种模型在各极点数下的均值、中位与95%绝对误差，四者趋势相近；随极点数增加误差单调上升，而含噪训练与干净训练的差异通常小于复杂度带来的误差增长。
仅用虚部输入即可恢复MPA结构，为实验场景提供路径：由可测的虚部确定极点参数后，可得到对应实部而无需在扩展频率区间上显式做Kramers-Kronig变换。 全复输入通常精度略高，说明实部提供互补信息；但仅虚部模型的性能与之接近，表明推断MPA参数所需信息大部分已包含在虚部中。 四种模型（全复/仅虚部 × 含噪/干净）对比显示全复一般参数误差更低，仅虚部模型性能相对接近；含噪训练在全复情形下对极点位置的平均误差增长略缓。
启示与展望
该框架面向需要从介电响应中提取紧凑极点表示的场景，例如高通量筛选与自动化谱分析，使用者包括做多体微扰计算与电子能量损失谱、光学/吸收谱解释的研究者。方法适用于由有限离散极点主导的谱结构：合成训练集覆盖受控的激发能量、展宽、谱重与多极复杂度，并对多极点施加类Rayleigh判据。作者指出，合成系综可扩展以纳入更多谱结构、更近且更强重叠的极点、更多极点数以及实验相关的噪声与背景变化，相应需要更大的训练集，必要时增加网络容量；增加极点数只需扩大最终输出层维度。
实验部分被作者定位为可行性证明而非面向所有实验谱特征优化的表示：ZnO的谱起始、Ta主峰附近两个较弱肩结构、Mo与ZnO的次级结构，以及不完整低能尾和与训练扰动不同的实验噪声，都超出当前合成系综的覆盖范围。极点参数误差随极点数增大而上升，弱谱重极点的位置与展宽不确定性更大，评估时需与响应重建误差一并考虑。合成系综的采样范围、类Rayleigh判据阈值与噪声幅度上限在正文中以公式给出，本次解析未保留公式中的具体数值，因此这些区间的确切取值属于需要查阅原文确认的开放问题。