无需校准的物理引导多任务残差U-Net，用于从含噪Voigt光谱中同时进行去噪与气体压力反演

《Scientific Reports》：Calibration-free physics-informed multi-task residual U-Net for simultaneous denoising and gas pressure retrieval from noisy voigt spectra

　　

摘要

我们提出了一种基于一维U-Net的机器学习框架，该框架在统一的架构中同时实现光谱去噪和压力估算功能。该模型在1 mbar到2 bar的压力范围内，利用模拟的P(21) CO吸收线Voigt谱型进行训练。为模拟真实环境，这些模拟光谱还叠加了实验中产生的噪声，使其几乎与真实的实验数据无法区分，从而迫使模型从含噪声的输入中恢复出清晰的光谱。定量评估结果显示，该模型的重建性能极为出色：皮尔逊相关系数接近1，信噪比超过35 dB，平均绝对误差和平均平方误差均接近零。该模型仅通过光谱特征就能准确预测200份未见过的数据的光压，无需依赖传统的线宽分析方法。在1.25 bar的压力下，该模型的误差几乎为零（AE≈0，SE≈0），偏差小于百分之一，与模拟参考值的高度一致。在差频生成光谱仪上的实验验证也表明其性能稳定，约70%的测量数据的峰值信噪比高于34 dB。基于渐变扫描的压力估算同样显示出高精度，在539.1 mbar时，其误差极小（AEP=0.002，SEP=4.0×10??）。这些研究结果表明，一维U-Net是一种高效且可靠的替代方案，可替代传统的降噪和压力估算方法，简化中红外光谱分析流程，同时确保分析结果的准确性和稳定性。