論文の概要: Artificial Intelligence in Spectroscopy: Advancing Chemistry from Prediction to Generation and Beyond
- arxiv url: http://arxiv.org/abs/2502.09897v1
- Date: Fri, 14 Feb 2025 04:07:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-17 14:47:21.293768
- Title: Artificial Intelligence in Spectroscopy: Advancing Chemistry from Prediction to Generation and Beyond
- Title(参考訳): 分光学における人工知能:予測から生成へ,そしてその先へ化学を進化させる
- Authors: Kehan Guo, Yili Shen, Gisela Abigail Gonzalez-Montiel, Yue Huang, Yujun Zhou, Mihir Surve, Zhichun Guo, Prayel Das, Nitesh V Chawla, Olaf Wiest, Xiangliang Zhang,
- Abstract要約: 機械学習(ML)と人工知能(AI)の急速な出現は、化学に大きな変革をもたらした。
分光・分光データへのこれらの手法の適用は、分光機械学習(SpectraML)と呼ばれるが、いまだに研究が進んでいない。
我々はSpectraMLの統一的なレビューを行い、フォワードタスクと逆タスクの両方に対する最先端のアプローチを体系的に検証する。
- 参考スコア(独自算出の注目度): 38.32974480709081
- License:
- Abstract: The rapid advent of machine learning (ML) and artificial intelligence (AI) has catalyzed major transformations in chemistry, yet the application of these methods to spectroscopic and spectrometric data, referred to as Spectroscopy Machine Learning (SpectraML), remains relatively underexplored. Modern spectroscopic techniques (MS, NMR, IR, Raman, UV-Vis) generate an ever-growing volume of high-dimensional data, creating a pressing need for automated and intelligent analysis beyond traditional expert-based workflows. In this survey, we provide a unified review of SpectraML, systematically examining state-of-the-art approaches for both forward tasks (molecule-to-spectrum prediction) and inverse tasks (spectrum-to-molecule inference). We trace the historical evolution of ML in spectroscopy, from early pattern recognition to the latest foundation models capable of advanced reasoning, and offer a taxonomy of representative neural architectures, including graph-based and transformer-based methods. Addressing key challenges such as data quality, multimodal integration, and computational scalability, we highlight emerging directions such as synthetic data generation, large-scale pretraining, and few- or zero-shot learning. To foster reproducible research, we also release an open-source repository containing recent papers and their corresponding curated datasets (https://github.com/MINE-Lab-ND/SpectrumML_Survey_Papers). Our survey serves as a roadmap for researchers, guiding progress at the intersection of spectroscopy and AI.
- Abstract(参考訳): 機械学習(ML)と人工知能(AI)の急速な進歩は化学における大きな変革を触媒しているが、分光学的および分光学的データ(SpectraML)へのこれらの手法の適用はいまだに未熟である。
現代の分光技術(MS、NMR、IR、Raman、UV-Vis)は高次元データの蓄積を継続的に増加させ、従来の専門家ベースのワークフローを超えた自動化されたインテリジェントな分析の必要性を増す。
本稿では,SpectraMLを統一的にレビューし,前方タスク(分子対スペクトル予測)と逆タスク(分子対分子推定)の両方に対して,最先端のアプローチを体系的に検討する。
我々は、初期のパターン認識から高度な推論が可能な最新の基礎モデルまで、分光学におけるMLの歴史的進化を辿り、グラフベースやトランスフォーマーベースの手法を含む代表的ニューラルネットワークアーキテクチャの分類を提供する。
データ品質、マルチモーダル統合、計算スケーラビリティといった重要な課題に対処するため、合成データ生成、大規模事前学習、少数またはゼロショット学習などの新たな方向性を強調します。
また、再現可能な研究を促進するため、最近の論文と対応するデータセット(https://github.com/MINE-Lab-ND/SpectrumML_Survey_Papers)を含むオープンソースリポジトリもリリースしています。
私たちの調査は研究者のロードマップとして役立ち、分光とAIの交差点における進歩を導いてくれる。
関連論文リスト
- Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。
我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。
シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
論文 参考訳(メタデータ) (2024-08-22T07:33:11Z) - A Quick, trustworthy spectral knowledge Q&A system leveraging retrieval-augmented generation on LLM [0.0]
大規模言語モデル(LLM)は、自然言語処理(NLP)タスクにおいて、一般領域内で大きな成功を収めている。
本稿では,SDAAP(Spectral Detection and Analysis Based Paper)データセットを紹介する。
また、SDAAPデータセットに基づく自動Q&Aフレームワークを設計し、関連する知識を検索し、高品質な応答を生成する。
論文 参考訳(メタデータ) (2024-08-21T12:09:37Z) - Deep Learning Domain Adaptation to Understand Physico-Chemical Processes from Fluorescence Spectroscopy Small Datasets: Application to Ageing of Olive Oil [4.14360329494344]
蛍光分光法は生命科学や化学の基本的な道具であり、環境モニタリング、食品品質管理、生物医学診断などの応用に広く用いられている。
深層学習を用いた分光データの解析、特に蛍光励起放出行列(EEM)は、通常、小さくてスパースなデータセットが利用できるため、大きな課題を提起する。
本研究では、これらの課題に対処する新しい解釈可能性アルゴリズムとともに、事前学習された視覚モデルによるドメイン適応を利用する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2024-06-14T13:41:21Z) - Intelligent Chemical Purification Technique Based on Machine Learning [5.023197681500998]
本研究では, カラムクロマトグラフィーを用いた人工知能の革新的開発を行い, 不効率を解消し, 化学分離・浄化領域におけるデータの収集を標準化することを目的とする。
高精度なデータ取得と高度な機械学習アルゴリズムを用いた自動プラットフォームの開発により、キー分離パラメータを予測する予測モデルを構築した。
新規な計量である分離確率(S_p$)は、有効化合物分離の確率を定量化し、実験的な検証によって検証する。
論文 参考訳(メタデータ) (2024-04-14T01:44:58Z) - Lessons Learned from Mining the Hugging Face Repository [5.394314536012109]
Hugging Face (HF) に関する2つの総合的研究から得られた知見を総合的に分析する
本研究の目的は,HFエコシステムにおけるソフトウェアリポジトリ研究の実践的ガイドを提供することである。
論文 参考訳(メタデータ) (2024-02-11T22:59:19Z) - Closing the loop: Autonomous experiments enabled by
machine-learning-based online data analysis in synchrotron beamline
environments [80.49514665620008]
機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。
本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。
本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
論文 参考訳(メタデータ) (2023-06-20T21:21:19Z) - Machine Learning for Uncovering Biological Insights in Spatial
Transcriptomics Data [0.0]
マルチセルシステムの開発とホメオスタシスは、空間分子パターンの形成と維持に精巧な制御を必要とする。
空間転写学(ST)の進歩は、革新的な機械学習(ML)ツールの急速な開発につながっている。
MLが対応できる主要なST分析目標と現在の分析トレンドを要約する。
論文 参考訳(メタデータ) (2023-03-29T14:22:08Z) - Improving Molecular Representation Learning with Metric
Learning-enhanced Optimal Transport [49.237577649802034]
分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。
MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
論文 参考訳(メタデータ) (2022-02-13T04:56:18Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳(メタデータ) (2020-10-20T08:36:51Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳(メタデータ) (2020-04-30T20:42:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。