一个多视图线性受约束的表格先前数据配套网络 (MLC-TabPFN) 模型,用于使用LIBS在超蓄积器中的量化.
Liuye Cao1, Jing Huang2, Lei Feng1
1State Key Laboratory for Vegetation Structure, Function and Construction (VegLab), College of Biosystems Engineering and Food Science, Zhejiang University, 866 Yuhangtang Road, Hangzhou 310058, China.
Journal of hazardous materials
|February 19, 2026
概括
这项研究引入了一种新的多视图线性约束表式预先数据拟合网络 (MLC-TabPFN),用于使用激光诱导分解光谱 (LIBS) 在工厂中精确量化. 先进的模型显著提高了植物修复评估的准确性.
科学领域:
- 分析化学 分析化学
- 环境科学 环境科学
- 生物技术是生物技术.
背景情况:
- 精确的 (As) 量化在像Pteris vittata这样的高蓄积器植物中对于评估植物修复效率至关重要.
- 激光诱导分解光谱 (LIBS) 提供了快速分析,但面临着生物矩阵效应和传统化学模型的挑战.
- 由于复杂的样本组成,现有的方法难以达到高精度.
研究的目的:
- 使用LIBS.开发一种新的,高精度的定量模型,用于在Pteris vittata中检测,使用LIBS.
- 在复杂的生物矩阵中克服传统化学测量方法的局限性.
- 将数据驱动的学习与知识驱动的原则相结合,以提高分析性能.
主要方法:
- 开发和应用多视图线性约束表式先前数据配套网络 (MLC-TabPFN) 模型.
- 整合一个线性约束 (LC) 模块,以结合物理先验 (光谱强度和度之间的正相关性).
- 实施多视图融合模块,将原始和衍生光谱 (第一和第二顺序) 结合起来.
主要成果:
- 基线TabPFN模型的表现优于PLSR,具有更高的预测确定系数 (R2p = 0.956与0.933).
- 在LC模块中,平均绝对百分比误差 (MAPEp) 从8.537%降至7.641% (R2p = 0.971).
- 最终的MLC-TabPFN模型实现了0.981的优异R2p,其中RMSEp为40.189 mg/kg,MAPEp为6.249%.
结论:
- 拟议的MLC-TabPFN框架为复杂的生物矩阵中的高精度LIBS分析提供了卓越的解决方案.
- 先进的机器学习和物理领域知识的协同组合显著提高了分析准确性.
- 这种方法验证了通过精确的元素量化来改进植物修复疗效评估的潜力.


