Edible insects offer an efficient source of alternative protein, requiring less land and water and emitting less greenhouse gas than conventional livestock. However, their successful integration into the food supply chain demands reliable species authentication to control allergen exposure, prevent adulteration, and meet regulatory standards. Near-infrared spectroscopy provides a rapid analytical tool, but its performance drops when applied to production batches unseen during training due to batch-to-batch variation in spectral measurements. We introduce the Batch-Invariant Spectral Network (BISN), an end-to-end framework that combines a learnable preprocessing module, initialised with Savitzky-Golay filtering, with an unsupervised, entropy-regularised auxiliary branch connected through a gradient reversal layer. The branch uses no batch labels and supplies opposing entropy gradients to the auxiliary head and preprocessing module. Using 2,700 spectra from three species (Acheta domesticus, Hermetia illucens, and Tenebrio molitor) collected across three independent production batches, BISN achieves a mean leave-one-batch-out accuracy of 0.93 (standard deviation 0.04), outperforming the strongest baseline by four percentage points (p=0.002). Further insights gained by using explainable AI confirm that model decisions consistently rely on the lipid and protein absorption regions across all folds, connecting predictive performance to known insect biochemistry. BISN addresses both cross-batch robustness and biochemical interpretability for automated insect species authentication in a controlled benchtop setting. The source code and dataset are publicly available at https://github.com/majharB/bisn.
X선 흡수 분광법(XAS)은 재료의 국소 전자 및 원자 구조를 이해하는 데 핵심적이지만, 대부분의 발표된 스펙트럼은 문헌의 그림에 내장되어 있고 파편화된 텍스트 문맥을 통해 기술되어 있어 데이터 기반 분석에 접근할 수 없는 상태로 남아 있다. 여기서 우리는 멀티모달(이미지 및 텍스트) 문헌 마이닝을 사용하여 이 분산된 지식을 AI 활용 가능한 실험 데이터 자원으로 변환한다. 우리는 전문(full-text) 논문에서 XAS 그림을 식별하고, 스펙트럼 곡선을 디지털화하며, 각 스펙트럼을 측정된 edge 및 재료에 관한 수반 메타데이터와 연결하는 확장 가능한 분광 데이터 디지털화 파이프라인을 개발했다. 이 파이프라인을 배터리 문헌에 적용한 결과, 66개의 흡수 원소와 다양한 배터리 화학을 포괄하는 13,740개의 XAS 스펙트럼으로 구성된 공개 데이터셋이 생성되었으며, 전문가 검증을 통해 스펙트럼 및 메타데이터 정보의 정확한 추출이 확인되었다. 문헌에 내장된 스펙트럼을 구조화된 수치 데이터로 변환함으로써, 이 데이터셋은 대규모 XAS 분석, 교차 실험실 비교, 고처리량(high-throughput) 특성화, 및 첨단 재료의 자율적 발견을 위한 기반을 제공한다.
레이저 유도 파괴 분광법(LIBS)은 스펙트럼 노이즈와 데이터 부족으로 인해 퓨샷(few-shot) 시나리오에서 고정밀 정량 측정에 어려움을 겪는다. 전통적인 전처리 방법은 미묘한 스펙트럼 특징을 보존하거나 비선형 상관관계를 포착하는 데 종종 실패한다. 본 연구는 확산 기반 노이즈 제거, 차원 축소를 위한 어텐션 기반 오토인코더, 그룹 셔플링 데이터 증강, 및 최소자승 회귀를 통합한 표준화 처리 파이프라인을 제안한다. 확산 모듈은 3D UNet 아키텍처를 활용하여 필수 방출 특징을 보존하면서 스펙트럼 노이즈를 제거한다. 어텐션-오토인코더는 비선형 스펙트럼 상관관계를 포착하여 고차원 스펙트럼 데이터를 압축된 잠재 표현으로 효과적으로 축소한다. 그룹 셔플링 데이터 증강은 특징 그룹 순열을 통해 합성 샘플을 생성함으로써 모델 견고성을 향상시킨다. 여러 원소 농도에 대한 실험 결과, 제안된 Diffusion-DA-AE 파이프라인은 평균 RMAE 0.2847을 달성하여 기준선 오토인코더 및 전통적인 PCA-PLS 회귀 대비 각각 37.7%와 37.6%의 성능 향상을 나타냈다. 프레임워크의 효과성은 범용성을 입증하며 퓨샷 LIBS 회귀에 대한 새로운 벤치마크를 확립한다.
진동 분광법(vibrational spectroscopy)에 기반한 비파괴 검출 방법은 산업 화학, 제약, 국방 등 다양한 분야에서 매우 중요하다. 최근 심층 학습이 진동 분광법에 도입되어 큰 잠재력을 보여주고 있다. 대규모 라벨 데이터셋을 제공하는 이미지, 텍스트 등과 달리 진동 분광 데이터는 매우 제한적이어서 전이 학습(transfer learning)과 메타 학습(meta learning)을 넘어서는 새로운 개념이 필요하다. 이를 해결하기 위해 작업 강화 증강 네트워크(task-enhanced augmentation network, TeaNet)를 제안한다. TeaNet의 핵심 구성 요소는 무작위로 마스킹된 스펙트럼을 입력받아 원본과 유사하지만 도메인에서 학습된 추가 변화를 포함하는 재구성 샘플을 출력하는 재구성 모듈이다. 이러한 증강 샘플은 분류 모델을 학습하는 데 사용된다. 재구성 부분과 예측 부분은 역전파(back-propagation)를 통해 동시에 end-to-end로 학습된다. 합성 및 실제 데이터셋 모두에서의 결과는 제안 방법의 우수성을 검증했다. 가장 어려운 합성 시나리오에서 TeaNet은 CNN보다 17% 더 우수한 성능을 보였다. TeaNet과 CNN의 뉴런 응답을 시각화하고 분석한 결과, TeaNet이 판별 파수(discriminant wavenumbers)를 식별하는 능력이 CNN에 비해 뛰어남을 확인했다. 본 접근법은 일반적이며 다른 도메인에 쉽게 적용할 수 있어, 더 정확하고 해석 가능한 퓨샷(few-shot) 학습에 대한 해결책을 제공한다.
지구 질량 행성에 의해 유발된 미세한 도플러 시프트를 항성 시선 속도 측정에서 탐지하는 것은 항성 활동으로 인해 여전히 극도로 어렵습니다. 시뮬레이션 데이터에서는 잘 수행되는 많은 심층 학습 방법들이 실제 항성 스펙트럼에는 신뢰할 수 있게 적용하기 어렵습니다. 이 연구의 목적은 실제이고 본 적 없는 스펙트럼으로 일반화되며 시선 속도 데이터에서 지구 질량 행성의 탐지 가능성을 향상시키는 심층 학습 프레임워크를 개발하는 것입니다. 우리는 플럭스와 스펙트럼선 형성 온도, 그리고 이들의 속도 구배에 기반한 물리학적 원리에 기반한 스펙트럼 표현을 사용하여, 주입된 행성 신호가 있는 HARPS-N 태양 스펙트럼에 대해 인공 신경망을 학습시킵니다. 두 가지 학습 전략을 탐구합니다: 홀드-아웃 테스트와 교차 검증입니다. 모델의 견고성은 유전 알고리즘 기반 하이퍼파라미터 최적화를 통해 향상되고, 예측 불확실성은 몬테카를로 드롭아웃을 사용하여 정량화됩니다. 우리의 가장 정밀한 신경망 모델은 교차 검증 전략 하에서 25 cm/s 이상의 진폭과 10일에서 550일 사이의 주기를 가진 행성 신호의 진폭, 위상, 및 궤도 주기를 신뢰할 수 있게 복원합니다. 또한, 여기서 테스트된 모든 경우에서 성공적으로 복원된 신호는 도플러 시프트 예측의 주기도(periodogram)에서 가장 유의미한 피크에 해당합니다. 온도 기반 스펙트럼-셸 표현은 플럭스 기반 셸보다 일관되게 더 우수한 성능을 보입니다. 또한 제안된 프레임워크를 구현하는 Python 패키지인 doppleriann을 공개합니다. 우리의 결과는 물리학적 원리에 기반한 스펙트럼 표현과 심층 학습을 결합하는 것이 실제 관측 시선 속도 데이터 내 지구 질량 행성 탐지를 위한 유망한 경로를 제공함을 보여줍니다. 이는 불확실성 정량화와 최적화된 학습 전략을 통합하고, 물리적으로 타당하며 통계적으로 엄격한 모델링 프레임워크에 의해 뒷받침됩니다.
레이저 유도 플라즈마 분광법(LIBS) 정량 분석은 고차원 스펙트럼 데이터와 예측 정확도 및 특징 효율성 간의 근본적인 상충 관계로 인해 파장 선택에 있어 중요한 과제에 직면해 있습니다. 본 논문은 파장 선택을 강화학습 문제로 변환하는 새로운 Multi-Adapter PPO 프레임워크를 제시하며, 복잡한 스펙트럼 관계를 포착하기 위해 크로스 어텐션 메커니즘과 여러 전문화된 어댑터를 활용합니다. 제안하는 접근 방식은 강철 및 석탄 데이터셋에서 전통적인 입자 군집 최적화(PSO) 대비 종합 점수에서 평균 28.4%, 예측 정확도에서 45.2% 더 높은 성능을 보였습니다. 제안된 방법은 예측 정확도와 특징 효율성의 균형을 맞추는 데 있어 우수한 성능을 입증하며, 해석 가능성과 계산 효율성을 유지하면서 LIBS 정량 분석 분야에서 최첨단 결과를 달성했습니다. 코드와 데이터셋은 다음 링크에서 공개되었습니다: https://github.com/Hflying/MAPPO