基于Transformer与多模态光谱融合的回收聚合物精准识别：化学计量学新方法推动可持续技术发展

本文创新性地提出一种化学计量学方法，首次将Transformer架构应用于FTIR（傅里叶变换红外光谱）、Raman（拉曼光谱）和LIBS（激光诱导击穿光谱）的三模态融合分析与跨模态生成，通过遗传算法优化超参数，实现回收塑料聚合物99.23%的高精度分类，为光谱分析技术在可持续领域的应用提供新范式。

　　

Highlight

本研究提出了一种创新的多模态光谱分析框架，不仅在可回收聚合物识别中实现了99.23%的突破性准确率，更重要的是为分析化学中复杂分析难题的解决提供了新范式。

The proposed Transformer classification architecture

以决策融合为例，我们提出的SCT（光谱分类Transformer）整体框架如图2所示。

在我们设计的Transformer模型中，核心组件是多头自注意力机制。它通过计算输入序列中每个位置与其他位置的注意力权重来捕获全局依赖性。位置编码也是Transformer模型的重要组成部分，被添加到输入嵌入中以提供序列位置信息。由于自注意力机制本身不具备感知位置的能力，位置编码通过正弦和余弦函数生成，确保模型能够区分不同位置的序列信息。

Optimal hyperparameter configuration

在遗传算法的优化过程中，经过多次预实验，我们将MLP（多层感知机）的维度、多头注意力机制的头数以及编码块的数量确定为初始种群中每个个体的遗传表示。基于这些预实验，我们选择了MLP维度和编码块数量的五个候选值，分别为[7]、[8]、[9]、[10]、[11]和[2]、[4]、[6]、[8]、[10]。多头注意力的头数候选值为[2]、[4]、[8]、[16]、[32]。

Conclusions

本研究提出了一种创新的多模态光谱分析框架，不仅在可回收聚合物识别中实现了99.23%的突破性准确率，更重要的是为分析化学中解决复杂分析挑战提供了新范式。

我们的框架以Transformer模型为核心，利用其处理序列数据的优势捕获光谱中的长程依赖性。其最大创新在于两层融合策略：通过跨模态生成实现数据增强，解决了样本不平衡问题；通过多模态融合显著提高了分类性能。结合遗传算法进行超参数优化，进一步增强了模型的鲁棒性和泛化能力。