基于Tikhonov正则化的对比变异小角中子散射偏散射函数重建及其在多组分纳米结构解析中的应用

《Polymer Journal》：Tikhonov regularization-based reconstruction of partial scattering functions obtained from contrast variation small-angle neutron scattering

为解决CV?SANS中因奇异值差异大导致偏散射函数估计不稳定、尤其小绝对值分量噪声显著的问题，研究人员引入Tikhonov正则化结合SVD，稳定重建了多组分体系偏散射函数，提升了纳米结构解析可靠性。

　　

在纳米到亚微米尺度的微观世界探索中，小角中子散射（Small-angle neutron scattering, SANS）如同一把精密的尺子，能够“丈量”材料内部的精细结构。而对比变异小角中子散射（Contrast variation SANS, CV-SANS）更是凭借中子对氢/氘同位素敏感的特性，成为解析多组分复杂体系——如嵌段共聚物胶束、聚合物-无机填料复合材料乃至蛋白质复合物和超分子组装体——纳米结构的利器。以项链状的超分子组装体聚轮烷（polyrotaxane, PR）为例，它由环糊精（cyclodextrin, CD）“串”在聚乙二醇（polyethylene glycol, PEG）链上构成，其散射强度I(Q)是各组分偏散射函数（partial scattering functions）S_ij(Q)的加权组合：I(Q) = Δρ_C²S_CC(Q) + Δρ_P²S_PP(Q) + 2Δρ_CΔρ_PS_CP(Q)。其中S_CC反映CD自身结构，S_PP描述PEG构象，S_CP则刻画两者拓扑连接。然而，通过传统奇异值分解（Singular Value Decomposition, SVD）从不同对比度实验数据反推偏散射函数时，由于矩阵A的奇异值差异悬殊，绝对值最小的S_PP重建结果往往剧烈振荡、噪声充斥，严重阻碍了对多组分体系精细结构的可靠解析。

面对这一“反问题求解不稳定性”的瓶颈，研究人员在《Polymer Journal》发表了题为“Tikhonov regularization-based reconstruction of partial scattering functions obtained from contrast variation small-angle neutron scattering”的研究。他们创新性地将Tikhonov正则化引入CV-SANS数据的SVD逆问题求解中，通过抑制小奇异值带来的噪声放大效应，成功实现了偏散射函数的稳定重建，让原本“抖动”的小信号曲线变得平滑可信，为多组分纳米体系的精准结构分析铺平道路。

关键技术路线可概括为：利用PR溶液CV-SANS实验数据（含氢化/氘化PEG、不同氘代溶剂比例样本），构建散射强度向量I与偏散射函数向量S间的线性方程I = AS；通过引入对角权重矩阵L平衡各分量量级差异，定义变换s = LS与矩阵B = AL^-1；再采用SVD分解B并结合Tikhonov滤波函数q(α, μ) = μ²/(α²+ μ²)压制小奇异值贡献，最终通过最小化正则化目标函数获得稳定解。

Methods：CV-SANS实验与逆问题求解框架

CV-SANS实验设计 研究以PR溶液为对象，选取氢化（h-PEG）与氘化（d-PEG）两种链型聚合物，搭配α-CD环状组分，溶于不同氘代比例的二甲基亚砜（DMSO）溶剂。通过调节溶剂氘代体积分数φ_d（1.0、0.95、0.90、0.85）改变散射对比度Δρ，获取8组不同条件下的散射强度数据，覆盖Q空间39个离散点。

逆问题建模与Tikhonov正则化 将散射强度整理为m维向量I（m=8），偏散射函数定义为三维向量S = (S_PP, S_CC, S_CP)^T，建立线性系统I = AS。为克服噪声数据I^δ导致的求解不稳定，引入带权重的Tikhonov正则化：求解arg min_S(‖AS ? I^δ‖_?2²+ α²‖LS‖_?2²)，其中L为对角矩阵调节各分量正则化强度，α为正则化参数控制滤波程度。经变量替换s = LS、B = AL^-1，问题转化为s_*= arg min_s(‖Bs ? I^δ‖_?2²+ α²‖s‖_?2²)，最终解为S_*= L^-1s_*。通过SVD分解B = UDV^T，显式构造正则化伪逆B_reg⁺= (α²E + B^TB)^?1B^T，实现分量的可控重建。

Results and discussion：数值模拟与实验验证

数值测试揭示正则化必要性 以人工合成数据验证算法：设真值S_PP= e^?9/√Q、S_CC= e^?6/√Q、S_CP= e^?8/√Q，添加3%均匀随机噪声。无正则化（α=0）时，S_PP重建曲线在小Q区域剧烈震荡；当α=10且L=E时，虽抑制噪声但整体偏差增大。进一步调整L = diag(1, 0.1, 1)以适配S_CC量级优势，在α=10下实现三组分同步稳定拟合，噪声水平1%-10%测试中精度随噪声降低而提升。

实验数据重建效果 对真实PR溶液CV-SANS数据，固定L = diag(1, 0.1, 1)，通过绘制‖S_*‖_2,1及各分量‖S_*^(j)‖₁随残差‖AS_*? I^δ‖_2,1的变化曲线（类L-curve），选定α=20为平衡点。重建结果显示：正则化后S_PP的波动标准差σ从0.704降至0.197，小Q处异常峰被有效压制，S_CC与S_CP亦保持平滑合理。

条件数影响与鲁棒性验证 考察子矩阵A⁽¹²³⁾（对应h-PR高氘代比例数据）与A⁽⁴⁵⁶⁾（含d-PR数据），前者条件数高达1.45×10³，重建失败；后者条件数19.2，配合正则化可获得与全数据集（m=8）一致的有效结果，证明方法在矩阵病态性可控时对数据量缩减具有鲁棒性。

Conclusions：稳定重建流程与实际价值

研究明确了传统SVD求解不稳定的根源——矩阵奇异值尺度差异大，并通过Tikhonov正则化成功破局。总结出六步实用重建流程：初始无正则化试算→据分量量级设定L→变量转换→扫描α选择平衡点→求解s_*→回代得S_*。该方法不仅解决了PR体系偏散射函数噪声难题，更可推广至任意p组分系统，为软物质纳米结构的高置信解析提供了普适性数学工具，标志着CV-SANS数据处理从“勉强可解”迈向“稳健可靠”的新阶段。