RamPINN：利用嵌入物理从相干反斯托克斯光谱中恢复拉曼光谱
机器学习
2026-03-26 v2
摘要
将深度学习的最新进展转移到科学领域受到所需大规模训练数据集匮乏的阻碍。我们认为，在这些知识密集型领域，已建立的科学理论以支配性物理定律的形式提供了可靠的归纳偏置。我们解决了从含噪的相干反斯托克斯拉曼散射（CARS）测量中恢复拉曼光谱这一不适定逆问题，因为真实的拉曼信号被主导的非共振背景所抑制。我们提出了 RamPINN，一个从给定 CARS 光谱中学习恢复拉曼光谱的模型。我们的核心方法贡献是一个物理信息神经网络，它利用双解码器架构来解耦共振和非共振信号。这是通过对共振部分施加 Kramers-Kronig 因果关系的可微分 Hilbert 变换损失，以及对非共振部分施加平滑先验来实现的。RamPINN 完全在合成数据上训练，展现出对真实实验数据的强大零样本泛化能力，明确弥合了这一差距，并显著优于现有基线。此外，我们证明仅使用这些基于物理的损失进行训练，而无需访问任何真实拉曼光谱，仍然能产生具有竞争力的结果。这项工作凸显了一个更广泛的概念：形式化的科学规则可以作为强大的归纳偏置，使数据匮乏的科学领域实现稳健的自监督学习。
引用
@article{arxiv.2510.06020,
title = {RamPINN: Recovering Raman Spectra From Coherent Anti-Stokes Spectra Using Embedded Physics},
author = {Sai Karthikeya Vemuri and Adithya Ashok Chalain Valapil and Tim Büchner and Joachim Denzler},
journal= {arXiv preprint arXiv:2510.06020},
year = {2026}
}
备注
Accepted at AISTATS 2026