Practical applications of neural network with Kolmogorov-Arnold layers in spectral analysis

In de stille brom van een laboratorium vertelt licht vaak een verhaal dat het menselijk oog niet kan zien. Wanneer een infrarode lichtstraal door een substantie gaat, absorberen de moleculen binnen die substantie specifieke frequenties, wat een uniek patroon van pieken en dalen creëert dat bekend staat als een spectrum. Dit patroon fungeert als een chemische vingerafdruk en onthult precies waar het materiaal uit bestaat. Decennialang hebben wetenschappers op deze vingerafdrukken vertrouwd om alles te identificeren, van de zuiverheid van een medicijn tot het type plastic in een fles. Het handmatig lezen van deze complexe patronen is echter traag en foutgevoelig. In de afgelopen jaren hebben onderzoekers zich tot kunstmatige intelligentie gewend om dit proces te automatiseren, door computerprogramma's te trainen om deze chemische handtekeningen met snelheid en precisie te herkennen. Hoewel standaard computermodellen hier al erg goed in zijn geworden, komt er een nieuwe aanpak naar voren die belooft nog efficiënter te zijn, vooral wanneer de gegevens rommelig, schaars of moeilijk leesbaar zijn.

Een team van onderzoekers uit Polen heeft deze nieuwe aanpak getest in een reeks praktische experimenten op het gebied van voedselveiligheid en materiaalkunde. Ze concentreerden zich op een specifiek type neurale netwerkarchitectuur die traditionele convolutionele lagen combineert met een nieuwere component genaamd Kolmogorov-Arnold-lagen. Om het verschil te begrijpen: stel je een standaard computerneuron voor als een werker die een lijst met getallen ontvangt, deze vermenigvuldigt met vaste gewichten, ze bij elkaar optelt en het resultaat vervolgens door een enkel, rigide filter stuurt. In tegen af contrast werkt de Kolmogorov-Arnold-neuron meer als een flexibel instrument; in plaats van een vast filter te gebruiken, leert het een unieke, gebogen wiskundige functie voor elke invoer die het ontvangt. Dit stelt het netwerk in staat om de interne logica veel vloeiender aan te passen aan de specifie�aling van de data die het analyseert. De onderzoekers wilden zien of dit flexibele ontwerp beter zou presteren dan het standaard, rigide ontwerp wanneer het wordt geconfronteerd met echte uitdagingen zoals kleine steekproeven, gegevens met een lage resolutie en de noodzaak om tegelijkertijd tussen veel verschillende categorieën te onderscheiden.

Om hun theorie te testen, verzamelde het team vier verschillende datasets, die elk een ander reëel probleem vertegenwoordigen. De eerste uitdaging betrof het detecteren van fraude in aardbeienpuree. In dit scenario was het doel om te bepalen of een pot dure aardbeienpuree stiekem was vermengd met goedkopere ingrediënten zoals appelpuree of suiker. De verstrekte gegevens voor deze taak waren moeilijk; de spectra waren kort en bevatten slechts 235 datapunten, en de verzameling monsters was ongebalanceerd, met veel meer voorbeelden van vervalste voeding dan van pure voeding. Ondanks deze hindernissen identificeerde de nieuwe netwerkarchitectuur de vervalste monsters succesvol. Het presteerde iets beter dan het standaardmodel en behaalde een hogere nauwkeurigheidsgraad, zelfs wanneer de trainingsdata beperkt waren en het signaal zwak was. Dit suggereert dat het flexibele karakter van de Kolmogorov-Arnold-lagen het model helpt om subtiele chemische aanwijzingen te vinden die een rigide model mogelijk zou missen.

Het tweede experiment tilde de beschikbaarheid van gegevens nog verder naar een limiet. De onderzoekers richtten zich op de classificatie van koffiesoorten, specifiek het onderscheid maken tussen Robusta- en Arabica-bonen op basis van hun infrarode spectra. Deze dataset was extre __eemlijk klein en bevatte slechts 28 monsters voor training en 28 voor test. In de wereld van machine learning wordt een dergelijke kleine dataset meestal als onvoldoende beschouwd voor het trainen van een complex computermodel. Toch slaagde de nieuwe architectuur erin om het verschil tussen de twee koffietypes effectief te leren. Het toonde aan dat dit type netwerk niet noodzakelijkerwijs enorme hoeveelheden data nodig heeft om een patroon te vinden, wat het een veelbelovend hulpmiddel maakt voor situaties waarin het verzamelen van honderden of duizenden monsters onmogelijk of te duur is.

Van voedsel naar industrie: het team pakte de classificatie van kunststof polymeren aan, een cruciale taak voor recycling en afvalbeheer. Hier was het doel om zes verschillende soorten veelvoorkomende plastics te sorteren, waaronder polyethyleentereftalaat (PET) en polyvinylchloride (PVC). Dit was een complexere taak omdat het model moest kiezen tussen zes categorieën in plaats van slechts twee. De dataset was groot en gebalanceerd, met in totaal 3.000 spectra. De nieuwe netwerkarchitectuur handelde dit multiclass-probleem met hoge effectiviteit en identificeerde het type plastic in de overgrote meerderheid van de gevallen correct. De resultaten bevestigden dat het systeem niet alleen goed is in eenvoudige ja-of-nee-vragen, maar ook robuust genoeg is om de genuanceerde verschillen tussen meerdere vergelijkbare materialen te hanteren.

Ten slotte testten de onderzoekers het vermogen van het systeem om niet-invasieve metingen uit te voeren, een techniek die analyse mogelijk maakt zonder een container te openen. Ze gebruikten zichtbaar en nabij-infrarood licht om de alcoholconcentratie in verzegelde flessen dranken te bepalen. De uitdaging hier was dat het licht door de glazen fles moest gaan, en dat de vorm en het materiaal van de fles zelf de meting konden verstoren. De dataset bevatte vier verschillende alcoholconcentraties, en de testset gebruikte flessen die verschilden van die in de trainingsset om ervoor te zorgen dat het model leerde over de vloeistof, en niet over de container. Het netwerk identificeerde de alcoholniveaus succesvol, wat bewees dat het de ruis van de fles kan wegfilteren om zich te concentreren op de chemische handtekening van de vloeistof binnenin. Deze capaciteit wijst naar een toekomst waarin kwaliteitscontrole direct bij een winkelrek kan plaatsvinden zonder de zegel te verbreken.

In alle vier de experimenten vergeleken de onderzoekers hun nieuwe Kolmogorov-Arnold-netwerk met een standaard convolutioneel neuraal netwerk. Om een eerlijke vergelijking te garanderen, stemden ze het aantal aanpasbare parameters in beide modellen op elkaar af, wat betekent dat het nieuwe model niet simpelweg groter of complexer was, maar structureel anders. In elk geval, van de kleine koffiedataset tot de grote plasticdataset, presteerde de nieuwe architectuur even goed als of beter dan het standaardmodel. De resultaten waren consistent over meerdere trainingsruns, waarbij het nieuwe netwerk een lichte maar betrouwbare voorsprong in nauwkeurigheid liet zien. De studie concludeert dat deze architectuur een veelzijdige tool is voor spectrale analyse, in staat om alles te verwerken van lage-resolutie detectie van voedselfraude tot complexe industriële sortering. Het biedt een pad voorwaarts voor het automatiseren van chemische analyse in situaties waar data schaars, ruisachtig of moeilijk te verkrijgen zijn, wat de kwaliteitscontrole potentieel sneller en toegankelijker maakt in de echte wereld.