基于物理先验信息的通用谱质谱迁移
机器学习
2024-07-24 v1 图像与视频处理
摘要
谱质谱是一种强大的分析技术，用于表征物质在物理和生物领域中的特性。然而，其基本原理要求针对探测的物理现象配备专用仪器，限制了其在相关领域的广泛采用。本研究中，我们引入了一种基于物理先验信息的深度生成模型SpectroGen，用于仅通过单一模态的实验采集谱数据，生成跨模态的相关谱签名。我们通过将谱数据表示为分布的数学构造，而非传统的物理和分子状态表示来实现这一目标。测试于319个标准矿物样品的结果表明，生成的谱数据与实验测得的基准谱数据相关性达99%，均方根误差为0.01，分辨率优于实验获取的基准谱数据。我们展示了在拉曼、红外和X射线衍射模态之间进行迁移的能力，分别使用高斯、洛伦兹和韦伊特分布先验。尽管如此，这种方法对于任何可以用分布先验表示的谱输入都具有全局可泛化性，使其具有普适适用性。我们相信，本工作将 revolutionizes 应用谱质谱的领域，这一领域传统上受限于获取必需的专业且常昂贵的设备，以加速材料、药物和生物学发现。
引用
@article{arxiv.2407.16094,
title = {Universal Spectral Transfer with Physical Prior-Informed Deep Generative Learning},
author = {Yanmin Zhu and Loza F. Tadesse},
journal= {arXiv preprint arXiv:2407.16094},
year = {2024}
}