Towards practical molecular structure elucidation: A lightweight multi-spectral CNN-Transformer framework
本文介绍了一种轻量级、即插即用的混合 CNN-Transformer 框架，该框架无需外部知识，即可直接从原始红外（IR）、拉曼（Raman）和核磁共振（NMR）光谱输入中实现最先进的分子结构解析，同时能够提供关于光谱贡献的机制见解和基于标记（token）的生成策略。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
长期以来，化学家一直依赖一套工具，通过聆听分子的振动方式或原子对磁场做出反应的方式，来推断分子的结构。这些被称为光谱学的工具会产生复杂的线条和峰值图谱，作为每种化学物质独特的“指纹”。几十年来，科学家们一直试图教会计算机阅读这些指纹，并立即画出相应的分子结构，这一过程被称为结构鉴定。虽然早期的尝试需要大量的人工辅助和额外数据才能奏效，但目标始终是创建一个系统，能够直接观察原始光谱并告诉你分子的形状，就像人类专家那样，但具备完美的速度和一致性。
研究人员现在开发出了一种新型计算机程序，比以往任何时候都更接近这一目标，且这种方法几乎不需要外部帮助。研究人员并没有向计算机输入可能的答案列表，也没有添加额外的化学事实来引导它，而是让机器直接观察来自三种不同类型光谱类型的原始数据：红外光、拉曼光和核磁共振。他们设计了一个轻量级系统，结合了两种强大的人工智能技术。第一部分充当“过滤器”，扫描光谱的原始线条以寻找重要模式。第二部分充当“翻译器”，将这些模式转化为描述分子形状的文本字符串。这种被称为 SMILES 字符串的文本格式是化学家记录结构的一种标准方式，以便计算机能够读取。
这一新系统的结果非常强大。在模拟数据测试中，该模型仅凭红外光谱就能在约 69% 的情况下正确识别分子的结构。当仅使用拉曼光谱时，准确率跃升至接近 78%。单独使用核磁共振数据的表现则稍逊一筹，正确率约为 38%。然而，当研究人员将这三种类型的数据结合起来时，系统变得极其精确，在第一次尝试时就能以 84% 的准确率得出正确答案。如果允许计算机进行五次尝试并从中挑选最佳结果，其成功率则飙升至 96% 以上。这些数字代表了显著的飞跃，因为该系统在无需使用预处理数据、化学式或外部数据库来推导答案的情况下实现了这些成果。
为了进一步优化系统，研究人员增加了一个特殊的训练步骤，教导计算机“不要做什么”。在模型做出初步猜测后，研究人员观察了它犯下的错误，并将这些错误再次展示给它，指示它在未来避免走这些错误的路径。他们将这一过程称为“不可能性微调”（unlikelihood fine-tuning），这一过程推动了准确率的进一步提升。例如，在使用所有三种光谱组合时，模型的首选猜测正确率为 84.23%，而如果允许五次猜测，正确率则达到 96.27%。这种进步是在没有添加任何新化学知识的情况下实现的，证明了该模型仅仅是通过研究自己过去的失败来变得更加谨慎。
研究人员还花时间了解计算机是如何思考的，通过窥视这个“黑箱”来观察哪些数据部分最为重要。他们发现，拉曼光谱是最重要的线索，在帮助计算机决定分子整体形状方面承载了最多的权重。红外光谱的重要性位居第二，而核磁共振数据所起的作用较小。令人惊讶的是，计算机在每一步骤中并非平等对待这三种数据源。相反，它似乎利用拉曼数据来构建分子的主要骨架，然后利用红外数据来识别特定的原子团，最后利用核磁共振数据来复核连接关系。
一个特别有趣的发现是计算机如何处理思考的第一步。系统首先生成一个特殊的起始符号，这个符号就像一个旗帜，告诉程序其余部分正在观察的是哪种类型的分子。研究人员发现，这个起始符号有效地将形成闭合环状的分子与仅为开放链状的分子区分开来。在计算机开始编写完整结构之前，这一个起始点就已经决定了分子是圆形的还是线性的，起到了引导整个过程的全局锚定作用。这一洞察表明，该模型已经学习到了一条基本的化学规则：分子的整体形状决定了其各部分如何组合在一起。
该团队并未止步于模拟数据；他们还在标准化学数据库中的真实实验光谱上测试了他们的系统。即使面对实验室中那些杂乱、不完美的真实数据，该模型依然表现良好。在一个包含数千个真实红外光谱的数据集中，该系统在第一次尝试时能正确识别结构的比例约为 22%，而在允许五次猜测时，这一比例提升至 38% 以上。虽然这低于在完美模拟数据上的表现，但它证明了该系统能够处理现实世界中的噪声和复杂性。研究人员指出，该系统在处理某些困难任务时仍存在挑战，例如精确计算长链中碳原子的数量，这对于仅依赖这些光谱的方法来说仍然是一个难题。
这项工作表明，构建一个几乎完全依赖原始数据本身、不受以往方法沉重约束的强大化学品识别工具是可能的。通过将简单的、高效的架构与一种聪明的从错误中学习的方式相结合，研究人员创建了一个为准确性树立新标准的系统。研究结果表明，虽然我们可能还没有一个完美的机器能瞬间解决每一个分子谜题，但我们正朝着一个未来迈进——在这个未来中，计算机可以以媲美人类专家的清晰度来阅读光与磁场的语言，为化学分析提供一条可靠且具有解释性的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。