在光子数据中去除文物的反向建模:一种基于计算物理和转移学习的计算物理和转移学习方法
Ravi Teja Vulchi1, Volodymyr Morgunov1, Julian Hniopek2
1Institute of Physical Chemistry (IPC) and Abbe Center of Photonics (ACP), Friedrich Schiller University Jena, Member of the Leibniz Centre for Photonics in Infection Research (LPI), Helmholtzweg 4, Jena 07743, Germany.
Journal of chemical information and modeling
|October 28, 2025
概括
这项研究引入了一个深度学习框架,以纠正光谱数据中的标准化文物. 该方法通过减少多达70%的扭曲,显著提高了光谱准确性和可解释性.
科学领域:
- 频谱学是一种光谱学.
- 计算物理 计算物理
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 标定器件在光谱数据中造成了显著的扭曲.
- 这些扭曲使数据分析和解释变得复杂.
- 准确的光谱数据对于科学发现至关重要.
研究的目的:
- 开发一个反向建模框架来纠正标准化文物.
- 提高光谱数据的准确性和可解释性.
- 为了利用深度学习和计算物理来纠正光谱数据.
主要方法:
- 开发了一个整合计算物理和深度学习的反向建模框架.
- 采用了两阶段的转移学习策略:对模拟光谱进行预训练和对实验数据进行微调.
- 使用转移矩阵方法进行预训练,生成了超过3万个模拟光谱.
主要成果:
- 转移学习方法减少了高达70%的标准化引起的扭曲.
- 该模型在不同传感器设计中展示了增强的概括性.
- 跨多个设备的交叉验证证实了光谱准确性和可解释性的显著改善.
结论:
- 开发的框架有效地纠正了光谱数据中的标准化文物.
- 这种方法为实现可靠的光谱数据设定了新的标准.
- 将校正程序与物理模拟相结合,可以提高光谱数据的质量.


