SpectraFormer：用于获取 SiC 上石墨烯缓冲层特征的基于注意力机制的 Raman 解混工具

Raman 光谱是石墨烯表征的关键工具，但其在碳化硅（SiC）上生长的石墨烯中的应用受到衬底强烈且多变的二阶 Raman 响应的严重限制。这种限制对于缓冲层石墨烯（一种半导体界面相）至关重要，其振动特征与 SiC 背景重叠，且由于衬底信号在空间和实验上的强烈多变性，使用传统的基于参考的扣除法难以可靠获取。在此，我们提出了 SpectraFormer，一种基于 Transformer 的深度学习模型，它直接从生长后部分掩蔽的光谱数据中重构 SiC Raman 衬底贡献，而无需依赖显式的参考测量。通过学习整个 Raman 位移范围内的全局相关性，该模型捕获了 SiC 背景的统计结构，并能够准确重构其在混合光谱中的贡献。扣除重构的衬底信号后，揭示了与 ZLG 相关的微弱振动特征，这些特征通过传统分析方法无法获取。提取的光谱通过从头算振动计算进行了验证，从而将解析出的特征归属于特定模式，并确认了其物理一致性。通过利用最先进的基于注意力机制的深度学习架构，该方法为 SiC 上石墨烯的 Raman 分析建立了一个鲁棒的、无需参考的框架，并为其集成到自动化、闭环 AI 辅助生长优化中奠定了与实时数据采集兼容的基础。