SMARTERS 用 Attention U-Net 从模拟 TERS 高光谱图直接预测平面分子结构，测试集平均 Dice 达 0.842

模型能从模拟 TERS 高光谱立方体直接回归出二维原子位置图，测试集平均 DSC 为 0.842（训练 0.862、验证 0.833），三个划分表现一致。 此前 TERS 图像与模拟结果的对照主要依赖逐例目视检查，作者称从 TERS 高光谱图像自动发现分子结构在本工作之前尚未被展示；这里把该任务形式化为图像到图像的翻译问题并端到端训练。 在 1840 个平面分子的模拟数据上按 80/10/10 划分，训练 50 个 epoch，用 Adam 优化器与 Optuna 做贝叶斯超参搜索；DSC 在稀疏原子图设定下对亚埃级位移敏感（附录 C 显示平移预测图会使 DSC 迅速下降），因此高分反映的是定位精度而非原子计数正确。

同一架构可同时输出四个元素通道（H、C、N、O），联合预测原子位置与元素身份，测试集平均 DSC 为 0.810，其中 H 0.856、C 0.827、N 0.759、O 0.799。 相比只输出单通道“有原子/无原子”的结构预测，这里把化学身份纳入同一预测任务，作者称这是对更简单的分类式任务的推进。 逐元素 DSC 在四个通道上取平均以抵消元素丰度不均；但数据集中 H、C 远多于 N、O，N 的中位 DSC 最低且分布最宽，测试集最好与最差元素之间 DSC 相差约 0.10，这一趋势与各元素在数据集中的相对丰度直接相关。

分子平面性是性能的主导因素：以 RMSD ≤0.05、≤0.1、≤0.5 Å 三个逐步放宽的阈值分别训练模型，测试集中位 DSC 从 0.842 降到 0.803 再降到 0.771，同时性能分布展宽（标准差从 0.112 增至 0.150）。 作者把这一现象命名为“平面性诱导的可变性（PIV）”，并指出样本量增加本应降低方差，但此处方差反而增大，说明非平面畸变削弱或遮蔽了近场贡献，使结构到信号的映射更不确定。 三个数据集独立训练、验证与测试，训练/验证/测试三个划分上趋势一致；作者据此提出 TERS 机器学习的数据集筛选建议：RMSD 阈值需在结构多样性与近场敏感性之间权衡。

在 FePc/Ag(110) 的实验 TERS 数据上，模型无法给出可用结构：原始实验数据上预测出若干与酞菁分子结构不符的原子位置，加高斯去噪后不一致原子位置大幅减少但仅剩少数随机分布的点。 作者把这一失败归因于模拟与实验之间的差距，包括模拟采用 5 Å FWHM 的较尖锐针尖、未包含衬底效应、以及实验采集过程中针尖变化的影响未知，并明确说明当前模型尚不能常规处理实验数据。 这是附录 D 中的消融实验，实验数据来自已发表工作（FePc 吸附于 Ag(110)，300–2000 cm⁻¹），模拟数据覆盖 0–3200 cm⁻¹；作者同时指出模拟与实验的 TERS 光谱总和存在明显不匹配，且 Fe 原子不在训练数据集中，因此分子中心预测明显偏离真值。

该结果面向平躺在弱相互作用衬底（如 NaCl）上的孤立平面分子，模拟中把针尖等离激元场近似为 FWHM 5 Å 的三维高斯，扫描视场 18×18 Ų、栅格 256×256 像素，频率轴按 0–4000 cm⁻¹ 分箱（最终采用 100 个通道，即 40 cm⁻¹ 每箱）。在这一设定下，模型可用于从模拟 TERS 高光谱图快速获得二维原子位置图与元素分辨图，为自动化扫描探针平台提供方法学起点；作者也把该工作定位为概念验证，并建议后续用三维分子图与图神经网络处理非平面体系、用元素与官能团更丰富的数据集改善 N、O 的识别、用更贴近实验的增强手段缩小模拟与实验的差距。

作者在结论中列出三个开放方向：非平面体系（表面以下原子不直接贡献 TERS 信号但通过成键影响振动模式）、N 与 O 等稀有元素的可靠性受数据化学失衡限制、以及模拟到实验的迁移。附录 D 显示实验数据上预测不成立，因此模型在真实测量中的表现仍是未解问题；此外，振动选择效应使平行于表面的模式贡献较弱，某些结构区域可能在信号中缺失，这给真值图的定义本身带来歧义。坐标级指标依赖 LoG 二值化阈值，作者因此以与阈值无关的 DSC 为主指标，并说明阈值相关指标仅作佐证。