凝聚相红外光谱官能团识别的相感知自适应方法

《RSC Advances》：Phase-aware adaptation for functional group recognition from condensed-phase infrared spectraOpen Access

　　

红外（IR）光谱被广泛用于官能团识别，但机器学习模型在光谱跨越不同物相时常常遇到困难。研究人员建立了一个相分离的16标签基准，用于在气相、液相和固相IR光谱中进行官能团识别，并表明直接从气相到凝聚相（condensed-phase）的迁移是不可靠的，尤其是对于固相光谱。简单地增加模型容量或替换骨干网络仅能提供有限的改进。相比之下，主要的两阶段气相预训练自适应（gas-pretrained adaptation）协议显著提高了凝聚相识别性能，相对于仅目标相训练，将固相Macro-F1从0.6902提升至0.7351，液相Macro-F1从0.7198提升至0.7792。这种改进是类别依赖的，对腈（nitrile）等标签有很强的恢复，而烯烃（alkene）由于弱且重叠的光谱证据仍然困难。额外的分析表明，自适应的收益不能通过更长的目标相训练或类别加权来解释，并且它能够跨多个模型家族迁移。为了使自适应模型更适合资源受限的使用，研究人员在双阶段气相预训练自适应流程下应用了分段最大池化（segment max pooling），将模型参数数量减少到原始Dual Head参数量的9.23%，同时保留了其99.04%的Macro-F1性能。总之，这项工作建立了一个用于凝聚相IR官能团识别的相感知自适应框架，表明气相光谱可以从不可靠的直接预测器转化为用于固相和液相光谱的有用先验训练数据。

**论文解读：凝聚相红外光谱官能团识别的相感知自适应方法**

**研究背景与问题**

红外（IR）光谱是分子表征中广泛应用的技术，其振动吸收对键类型、局部化学环境和官能团身份敏感，常被用于快速识别常见官能团。传统IR解析依赖专家对特征吸收区域和峰型模式的知识，但面对重叠谱带、弱诊断特征、基线变化或多个官能团共存时，人工解析变得困难。因此，机器学习方法被引入以实现自动化的官能团识别。近年来的研究已应用卷积神经网络和基于Transformer的架构在IR分析任务中取得良好性能，但一个重要的局限性在于：物理相（phase）很少被明确作为评估变量。许多模型仅在气相光谱上开发测试，或使用缺乏相信息的数据集，导致其是否适用于更常见的液相和固相光谱尚未明确。气相和凝聚相之间的光谱差异显著：气相中有分子转动结构，液相中转动受限，固相中转动被晶格强烈限制，且分子间相互作用、氢键、振动耦合和晶体堆积会改变振动频率、峰宽和相对强度。因此，气相训练的模型直接迁移到凝聚相时，其学习到的光谱关联可能不可靠。本研究围绕两个问题展开：第一，气相训练的模型能否直接用于液相和固相光谱？第二，如果直接迁移不可靠，能否通过引入气相光谱作为先验训练数据来改进凝聚相识别，而无需开发新模型架构？

**研究内容与结论**

研究人员利用先前开发的Dual Head CNN模型作为主要实验框架，建立了相分离的16标签多标签基准，涵盖气相、液相和固相IR光谱。他们首先评估了气相模型直接迁移到液相和固相的性能，发现固相性能下降最大，Macro-F1从0.9089降至0.4281，液相降至0.5933。增加模型容量或更换骨干网络（如ResNet、AggMapNet、IRCNN、补丁Transformer）仅带来有限改善，且性能不随参数数量线性增长。随后，研究人员提出了一种两阶段气相预训练自适应协议：模型首先在气相和部分目标相训练数据上联合训练，再在目标相训练数据上单独微调。该策略在固相上将Macro-F1从0.6902提升至0.7351，液相从0.7198提升至0.7792。改进是类别依赖的，腈类（nitrile）恢复最显著（固相F1从0.5886升至0.8483），而烯烃（alkene）仍困难（固相F1从0.5625升至0.6138）。通过闭塞分析（occlusion analysis）发现，腈类正确识别依赖于C≡N伸缩区域（约2250 cm^-1），而烯烃失败源于其C=C伸缩弱、C-H伸缩与饱和C-H区域重叠，且与芳香族信号共存时难以区分。进一步分析表明，自适应的收益并非来自更长的目标相训练或类别加权，并且能够迁移到多个模型家族（包括卷积和注意力架构）。为降低模型参数，研究人员应用分段最大池化（segment max pooling），将模型压缩至原始参数量的9.23%，同时保留99.04%的Macro-F1性能。该研究发表在《RSC Advances》。

**主要技术方法**

研究人员从NIST Chemistry WebBook检索光谱，按采样状态（气相5743条、固相1484条、液相420条）分离，统一重采样至3844–552 cm^-1范围、2 cm^-1间隔，并缩放至0–1。官能团通过RDKit和SMARTS定义从分子结构独立分配，保留16个在凝聚相中充分表示的标签。模型采用五折交叉验证，优化目标为二元交叉熵和soft-F1损失的组合。主要技术包括：Dual Head CNN架构（含局部分支和全局分支）、两阶段自适应训练（先联合气相与目标相训练，再目标相微调）、分段最大池化（压缩光谱表示）、以及闭塞分析（评估模型对特定光谱区域的依赖）。

**研究结果**

**2.1 气相到凝聚相的差距**
通过直接迁移实验，气相模型在固相和液相上性能大幅下降（Macro-F1分别降至0.4281和0.5933），且损失不均匀：烷烃和芳香族保持可识别，而烯烃、有机卤化物、酮、羧酸和酰胺的F1低于0.20。这表明直接迁移不可靠，且失败模式是类别和相依赖的。

**2.2 更大模型和不同架构仅带来有限增益**
在Dual Head系列中增加容量（如加宽MLP头、加倍通道）仅使固相Macro-F1从0.6902微升至0.7084，且收益不随参数数量线性增长。更换架构（ResNet、AggMapNet、IRCNN、补丁Transformer）均未超过Dual Head基线，且ResNet彻底失败。性能与参数数量无一致关系，表明架构和数据特性比容量更重要。

**2.3 两阶段气相预训练自适应改善目标相识别**
两阶段自适应显著提高了固相和液相Macro-F1，且类级改进不均：腈类收益最大，烯烃仍困难。通过成类logit分布分析，自适应重塑了决策结构，而非简单提升所有输出。块级分析表明，自适应的变化主要发生在后期卷积块、融合表示和分类器头部，而非早期卷积层。

**2.4 类特定成功与失败模式的评估与可视化**
腈类召回率提升的同时保持高精度，闭塞分析证实其正确识别依赖于C≡N区域。烯烃则因弱且重叠的谱证据（C=C弱、C-H与饱和区域重叠，常与芳香族共存）而难以恢复，自适应后召回率提升但精度下降，模型依赖非特异性区域。

**2.5 剖析后期精炼与相依赖行为**
引入低速率目标相精炼（三阶段自适应）可进一步提升性能，但类别加权无显著效果。延长目标相训练（30-35轮）仅部分缩小差距，无法替代气相先验。不同集成策略的比较显示，在固相上需联合训练后微调以达到最佳，在液相上各策略差异较小。

**2.6 两阶段自适应跨模型家族的可迁移性**
两阶段自适应在多数架构上均带来增益（包括Dual Head变体、IRCNN、补丁Transformer），但ResNet和AggMapNet例外（ResNet因架构不匹配，AggMapNet因输入为相关特征图而非原始光谱）。

**2.7 参数高效自适应**
通过分段最大池化，当段数P=64时，模型参数降至原Dual Head的9.23%，保留99.04%的Macro-F1。P=128时参数为16.73%，性能略降。这表明大部分自适应性能可在低参数下恢复。

**讨论与结论**

讨论部分指出，本研究建立的相感知自适应框架表明，气相光谱可作为凝聚相识别的有效先验，但需要显式处理相信息。局限性包括：液相数据集较小，来源多样但未控制仪器变化，预处理未校正倾斜基线或噪声，样品制备信息不统一，若干类别（如烯烃）识别仍不稳定。未来工作应扩展基准、系统评估鲁棒性、引入更多元数据，并考虑结合NMR或质谱等补充信息。结论部分总结：直接气相到凝聚相迁移不可靠，两阶段气相预训练自适应显著改善固相和液相识别，且收益跨模型家族，压缩后仍保持高性能。因此，IR解析的机器学习模型应显式考虑相，气相光谱可作为实用的先验信息。