論文の概要: SpectrumWorld: Artificial Intelligence Foundation for Spectroscopy
- arxiv url: http://arxiv.org/abs/2508.01188v3
- Date: Thu, 07 Aug 2025 11:20:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-08 14:01:13.998237
- Title: SpectrumWorld: Artificial Intelligence Foundation for Spectroscopy
- Title（参考訳）: SpectrumWorld: AI Foundation for Spectroscopy
- Authors: Zhuo Yang, Jiaqing Xie, Shuaike Shen, Daolang Wang, Yeyun Chen, Ben Gao, Shuzhou Sun, Biqing Qi, Dongzhan Zhou, Lei Bai, Linjiang Chen, Shufei Zhang, Jun Jiang, Tianfan Fu, Yuqiang Li,
- Abstract要約: 本稿では,分光学における深層学習研究の体系化と高速化を目的とした,先駆的な統一プラットフォームであるSpectrumLabを紹介する。
SpectrumLabには,重要なデータ処理と評価ツールを備えた包括的なPythonライブラリとリーダボード,限定されたシードデータから高品質なベンチマークを生成する革新的なSpectrumAnnotatorモジュールという,3つのコアコンポーネントが統合されている。
私たちはSpectrumLabが、ディープラーニング駆動分光の今後の進歩の重要な基盤になることを期待しています。
- 参考スコア（独自算出の注目度）: 20.037641852497853
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning holds immense promise for spectroscopy, yet research and evaluation in this emerging field often lack standardized formulations. To address this issue, we introduce SpectrumLab, a pioneering unified platform designed to systematize and accelerate deep learning research in spectroscopy. SpectrumLab integrates three core components: a comprehensive Python library featuring essential data processing and evaluation tools, along with leaderboards; an innovative SpectrumAnnotator module that generates high-quality benchmarks from limited seed data; and SpectrumBench, a multi-layered benchmark suite covering 14 spectroscopic tasks and over 10 spectrum types, featuring spectra curated from over 1.2 million distinct chemical substances. Thorough empirical studies on SpectrumBench with 18 cutting-edge multimodal LLMs reveal critical limitations of current approaches. We hope SpectrumLab will serve as a crucial foundation for future advancements in deep learning-driven spectroscopy.
- Abstract（参考訳）: 深層学習は分光学に大きな可能性を秘めているが、この新興分野の研究と評価は、しばしば標準化された定式化を欠いている。
この問題に対処するために,分光学におけるディープラーニング研究の体系化と高速化を目的とした,先駆的な統合プラットフォームであるSpectrumLabを紹介した。
SpectrumLabには,重要なデータ処理と評価ツールを備えた包括的なPythonライブラリとリーダボード,限定されたシードデータから高品質なベンチマークを生成する革新的なSpectrumAnnotatorモジュール,14の分光タスクと10以上のスペクトルタイプをカバーする多層ベンチマークスイートであるSpectrumBench,120万以上の異なる化学物質からキュレートされたスペクトルなど,3つのコアコンポーネントが統合されている。
18個の切刃型マルチモーダルLDMを持つSpectrumBenchに関する実験的研究は、現在のアプローチの限界を明らかにしている。
私たちはSpectrumLabが、ディープラーニング駆動分光の今後の進歩の重要な基盤になることを期待しています。
関連論文リスト
- SpectrumFM: A New Paradigm for Spectrum Cognition [65.65474629224558]
本稿ではスペクトル認識のための新しいパラダイムを提供するスペクトルFMと呼ばれるスペクトル基盤モデルを提案する。
畳み込みニューラルネットワークを利用した革新的なスペクトルエンコーダを提案し、スペクトルデータにおける微細な局所信号構造と高レベルのグローバルな依存関係の両方を効果的に捕捉する。
2つの新しい自己教師型学習タスク、すなわちマスク付き再構成と次のスロット信号予測が、SpectrumFMの事前学習のために開発され、モデルがリッチで伝達可能な表現を学習できるようにする。
論文 参考訳（メタデータ） (2025-08-02T14:40:50Z) - DiffSpectra: Molecular Structure Elucidation from Spectra using Diffusion Models [66.41802970528133]
スペクトルからの分子構造解明は化学の基礎的な問題である。
従来の手法は専門家の解釈に大きく依存し、拡張性に欠ける。
マルチモーダルスペクトルデータから2次元および3次元分子構造を直接推定する生成フレームワークであるDiffSpectraを提案する。
論文 参考訳（メタデータ） (2025-07-09T13:57:20Z) - SpectrumFM: A Foundation Model for Intelligent Spectrum Management [99.08036558911242]
既存のインテリジェントスペクトル管理手法は、通常は小規模モデルに基づいており、認識精度、収束速度、一般化の顕著な制限に悩まされている。
本稿では、スペクトルFMと呼ばれる新しいスペクトル基盤モデルを提案し、スペクトル管理のための新しいパラダイムを確立する。
実験により、SpectrumFMは精度、堅牢性、適応性、少数ショット学習効率、収束速度の点で優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-05-02T04:06:39Z) - A Self-supervised Learning Method for Raman Spectroscopy based on Masked Autoencoders [3.9517125314802306]
SMAE と呼ばれる Masked AutoEncoder に基づくラマン分光の自己教師型学習パラダイムを提案する。
SMAEは、事前トレーニング中にスペクトルアノテーションを必要としない。ランダムなマスキングを行い、スペクトル情報を再構成することにより、本質的なスペクトル特徴を学習する。
論文 参考訳（メタデータ） (2025-04-21T10:44:06Z) - Collaborative Enhancement Network for Low-quality Multi-spectral Vehicle Re-identification [23.520785716235398]
マルチスペクトル車両再識別(ReID)の性能は、可視、近赤外、熱赤外スペクトルが失われると著しく低下する。
既存の手法は、一般に一次スペクトルと呼ばれる高品質のスペクトルを用いて、低品質のスペクトルデータの欠落の詳細を生成または強化する。
すべてのスペクトルデータから高品質なプロキシを生成するコラボレーティブ・エンハンスメント・ネットワーク(CoEN)を提案する。
論文 参考訳（メタデータ） (2025-04-21T06:07:32Z) - Artificial Intelligence in Spectroscopy: Advancing Chemistry from Prediction to Generation and Beyond [38.32974480709081]
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。
論文 参考訳（メタデータ） (2025-02-14T04:07:25Z) - Holistic Physics Solver: Learning PDEs in a Unified Spectral-Physical Space [54.13671100638092]
Holistic Physics Mixer (HPM) は、スペクトルと物理情報を統一された空間に統合するためのフレームワークである。
我々はHPMが精度と計算効率の両面で最先端の手法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2024-10-15T08:19:39Z) - SpectralNeRF: Physically Based Spectral Rendering with Neural Radiance
Field [70.15900280156262]
本稿では,新しいスペクトルの観点から,高品質な物理ベースレンダリングのためのエンドツーエンドニューラルラジアンスフィールド(NeRF)アーキテクチャを提案する。
スペクトルNeRFは、合成データセットと実データセットの新しいビューを合成する際に、最近のNeRFベースの方法よりも優れている。
論文 参考訳（メタデータ） (2023-12-14T07:19:31Z) - SpectralGPT: Spectral Remote Sensing Foundation Model [60.023956954916414]
SpectralGPTという名前のユニバーサルRS基盤モデルは、新しい3D生成事前学習変換器(GPT)を用いてスペクトルRS画像を処理するために構築されている。
既存の基礎モデルと比較して、SpectralGPTは、様々なサイズ、解像度、時系列、領域をプログレッシブトレーニング形式で対応し、広範なRSビッグデータのフル活用を可能にする。
我々の評価では、事前訓練されたスペクトルGPTモデルによる顕著な性能向上が強調され、地球科学分野におけるスペクトルRSビッグデータ応用の進展に有意な可能性を示唆している。
論文 参考訳（メタデータ） (2023-11-13T07:09:30Z) - Spectral Analysis Network for Deep Representation Learning and Image
Clustering [53.415803942270685]
本稿ではスペクトル分析に基づく教師なし深層表現学習のための新しいネットワーク構造を提案する。
パッチレベルで画像間の局所的な類似性を識別できるため、閉塞に対してより堅牢である。
クラスタリングに親しみやすい表現を学習し、データサンプル間の深い相関を明らかにすることができる。
論文 参考訳（メタデータ） (2020-09-11T05:07:15Z) - A Review of 1D Convolutional Neural Networks toward Unknown Substance
Identification in Portable Raman Spectrometer [0.0]
ラマン分光法は、品質管理から最先端の生物医学研究まで、強力な分析ツールである。
これらは、未知の物質のフィールド分析のために、最初の応答者や法執行機関によって広く採用されている。
ラマン分光法による未知物質の検出と同定は、手元にある装置のスペクトルマッチング能力に大きく依存している。
論文 参考訳（メタデータ） (2020-06-18T14:28:00Z) - Persistent spectral based machine learning (PerSpect ML) for drug design [0.0]
薬物設計のための永続スペクトルベース機械学習(PerSpect ML)モデルを提案する。
我々は、11の永続スペクトル変数を考慮し、タンパク質-リガンド結合親和性予測における機械学習モデルの特徴として利用する。
これらのデータベースに対する私たちの結果は、知る限り、既存のすべてのモデルよりも優れています。
論文 参考訳（メタデータ） (2020-02-03T07:14:21Z)
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。