近期，伊利诺伊大学芝加哥分校团队在国际知名学术期刊《Small》上发表了题为“Robust Spectral Anomaly Detection in EELS Spectral Images via 3D Convolutional Variational Autoencoders”的研究论文。

该工作围绕外延生长于SrTiO3衬底上的BiFeO3薄膜的Fe L2,3与O K边EELS-SI三维数据立方展开研究。核心发现：3D-CVAE在多种ΔE峰移幅度下保持高F1分数，实现体相与异常谱的清晰双峰分离，36864条谱中仅6条异常谱被误判为体相。支撑核心结论的关键表征，来自扫描透射电子显微镜（STEM）模式下的电子能量损失谱谱学成像（EELS-SI），基于Nion UltraSTEM 100在60 keV下采集Fe L2,3与O K边的三维数据立方。

论文首页

原子尺度电子结构的谱学成像

电子能量损失谱谱学成像（EELS-SI）在扫描透射模式下逐点采集谱线，最终形成一个三维数据立方：两个空间维度对应纳米乃至原子尺度的扫描位置，第三个维度是能量损失通道。对量子材料、催化剂和能源器件而言，这个立方体同时记录了成分分布与电子结构信息——Fe L边的白线强度比反映价态，O K边的近边精细结构则对局域配位与缺陷极为敏感。

正因如此，EELS-SI成为连接微观结构与宏观物性的关键表征手段。

但问题也随之而来。缺陷引起的近边变化往往极其微弱，被体相信号的强背景和采集噪声层层掩盖。传统做法依赖主成分分析等线性降维，它假定数据变化可由若干正交分量线性叠加，而近边精细结构的改变本质上是非线性的，且与空间位置强相关。结果是体相与异常谱在得分图上相互交叠，难以自动、可靠地区分。

如何在不预设缺陷模型的前提下，从整个三维立方中自动找出这些微弱异常，成为该领域亟待解决的挑战。

三维数据立方支撑异常检测验证

面对这个挑战，第一步不是设计模型，而是确认数据本身经得起检验。

验证一套异常检测方法，前提是数据本身要足够诚实——既要保留真实的体相信号，又要让注入的缺陷信号有迹可循。研究在扫描透射模式下采集了Fe L2,3与O K边的三维数据立方，192×192个空间像素对应36864条谱，每条谱含2048个能量通道。

这种逐点采集方式完整保留了空间与能量的关联结构，使模型能同时利用相邻像素的谱学相似性和能量维的精细变化，而非把每条谱当作孤立样本处理。

图1：原始EELS-SI数据立方、VAE与PCA重建结果及异常检测误差图对比，绿圈为成功检测的异常区域。

对比结果直接体现在重建误差图上。图2a为原始192 × 192 × Z数据立方的沿能量求和图；图2b为VAE（左）与PCA（4个主成分，右）重建结果沿z方向的强度求和；图2c为VAE重建误差热图（原始与重建光谱之间的皮尔逊相关系数），图2d为PCA重建误差热图。在图2c和2d中，绿圈表示成功检测到的异常区域（Otsu阈值分割），红圈表示未检测到的异常区域；较低的PCC值（较浅的颜色）表示与原始光谱的偏差较大。更关键的是，36864条谱中仅6条异常谱被误判为体相，说明三维卷积结构对空间-谱学联合信息的利用，是线性方法无法替代的。

这一验证成立的前提是数据立方在预处理中没有丢失空间关联。若只取平均谱或逐点独立分析，缺陷相关的微弱近边变化将与体相信号混为一谈。完整的三维结构既是检测对象，也是方法有效性的前提。

谱学数据揭示潜在空间鲁棒性

外部指标只能说明模型检出了异常，却无法回答它为何鲁棒。要验证这一点，需要同一批数据在编码层面接受检验：如果异常注入前后的子图在潜在空间中几乎无法区分，说明编码器学到的是体相电子结构的本质特征，而非记住了异常本身。

图2：EELS-SI子图对48维潜在编码的余弦相似度热图，对角线高相似度表明编码器对异常鲁棒。

研究基于同一三维数据立方，将Fe L2,3与O K边谱学成像的子图成对送入编码器，提取48维潜在编码并计算两两余弦相似度。热图显示，原始子图与对应异常注入子图在对角线上相似度接近1，表明编码器将成对图像放置在潜在空间中几乎相同的位置。

这一结果的意义在于：编码器把异常谱当作体相谱的变体来表征，因此解码重建时会自然滤除异常分量。潜在空间分析从模型内部印证了外部检测性能，两者递进，共同说明该品类数据既能训练方法，也能解释方法为何有效。

谱学成像赋能复杂材料研究

从数据采集到自动化解析，这条路径的落点在哪里？

三维谱学数据立方把空间与能量维度一并保留，使无监督深度学习得以在完整关联结构上学习体相电子特征，而非依赖逐点或线性降维。3D-CVAE据此将缺陷相关的微弱近边变化从噪声与体相信号中分离，为界面、缺陷与低维材料中难以察觉的电子结构差异提供了可复用的检测框架，也让谱学成像从数据采集走向自动化解析。