光谱是探测物质结构及其动态演变的有力工具。然而，光谱信号与物质化学结构对 应关系复杂性，通过光谱特征分析获取结构信息需要进行繁琐的计算，存在着很大的不 确定性。机器学习为解决这个问题提供了一个有力的工具。在基于第一性原理的光谱高 通量计算基础上，通过对计算数据的分析，采用机器学习方法筛选结构描述符，基于神 经网络训练构建了结构参数与本征电偶极矩、激发态跃迁偶极矩和能量的构效关系，成 功预测了蛋白质光谱响应、表面增强拉曼光谱、分子红外与拉曼光谱特征，相对于传统 量化计算速度提高了3个数量级以上，并具备优越的可迁移性，能进行外推预测外场条 件如温度、压力、电场下的光电响应。此外，谱学反演结构方法的发展，为解读星际化 学结构奠定了基础。