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

在实验室静谧的嗡鸣声中，光线常常讲述着肉眼无法看见的故事。当一束红外光穿过一种物质时，其中的分子会吸收特定的频率，从而产生一种被称为光谱的独特峰值与谷值模式。这种模式就像是一个化学指纹，揭示了该材料的具体成分。几十年来，科学家一直依靠这些指纹来识别从药物纯度到瓶中塑料类型的一切事物。然而，通过人工读取这些复杂的模式既缓慢又容易出错。近年来，研究人员开始转向人工智能以实现这一过程的自动化，训练计算机程序以极高的速度和精度识别这些化学特征。虽然标准的计算机模型已经做得相当出色，但一种新的方法正在兴起，它承诺会更加高效，尤其是在数据杂乱、稀缺或难以读取的情况下。

来自波兰的一个研究小组在一系列涉及食品安全和材料科学的实际实验中，对这种新方法进行了测试。他们专注于一种特定的神经网络架构，该架构将传统的卷积层与一种被称为柯尔莫哥洛夫-阿诺德（Kolmogorov-Arnold）层的较新组件相结合。为了理解其中的区别，请想象一个标准的计算机神经元就像一名工人，接收一组数字，将其乘以固定的权重，求和，然后通过一个单一且僵化的过滤器。相比之下，柯尔莫哥洛夫-阿诺德神经元更像是一种灵活的仪器；它不是使用固定的过滤器，而是为它接收到的每一个输入学习一个独特的、弯曲的数学函数。这使得网络能够根据其正在分析的数据的具体形状，更加流畅地调整其内部逻辑。研究人员想要观察这种灵活的设计在面对现实世界的挑战——如小样本量、低分辨率数据以及同时区分许多不同类别时，是否能优于标准的、僵化的设计。

为了验证他们的理论，该团队收集了四个不同的数据集，每个数据集都代表了一个不同的现实问题。第一个挑战涉及检测草莓果泥中的欺诈行为。在这种情况下，目标是确定一罐昂贵的草莓果泥是否被秘密混合了更便宜的成分，例如苹果果泥或糖。用于此任务提供的数据非常困难：光谱很短，仅包含 235 个数据点，且样本收集是不平衡的，即掺假食品的样本远多于纯净食品。尽管存在这些障碍，新的网络架构仍成功识别出了掺假的样本。它的表现略优于标准模型，即使在训练数据有限且信号微弱的情况下，也实现了更高的准确率。这表明，柯尔莫哥洛夫-阿诺德层的灵活性有助于模型发现标准模型可能会错过的细微化学线索。

第二个实验进一步挑战了数据可用性的极限。研究人员转向了咖啡品种的分类，特别是试图根据红外光谱来区分罗布斯塔（Robusta）和阿拉比卡（Arabica）豆。这个数据集极其微小，仅包含 28 个训练样本和 28 个测试样本。在机器学习领域，如此微小的数据集通常被认为不足以训练复杂的计算机模型。然而，这种新架构成功地学习到了这两种咖啡类型之间的区别。它证明了这种类型的网络并不一定需要海量的数据来寻找模式，这使其成为处理那些无法或成本过高而无法收集数百或数千个样本的情况下的有力工具。

从食品领域转向工业领域，该团队解决了塑料聚合物的分类问题，这是一项对于回收和废物管理至关重要的任务。在这里，目标是分拣六种常见的塑料类型，包括聚对苯二甲酸乙二醇酯（PET）和聚氯乙烯（PVC）。这是一个更复杂的任务，因为模型必须在六个类别中进行选择，而不仅仅是两个。该数据集规模庞大且平衡，总共包含 3,000 个光谱。新的网络架构高效地处理了这个多分类问题，在绝大多数情况下都能正确识别塑料类型。结果证实，该系统不仅擅长处理简单的“是或否”问题，而且足够强大，能够处理多种相似材料之间的细微差异。

最后，研究人员测试了该系统进行非侵入式测量的能力，这种技术允许在不打开容器的情况下进行分析。他们使用可见光和近红外光来确定密封饮料瓶中的酒精浓度。这里的挑战在于，光线必须穿过玻璃瓶，而瓶子的形状和材质本身可能会干扰读取结果。该数据集包含了四种不同的酒精浓度，并且测试集使用的瓶子与训练集中的瓶子不同，以确保模型学习的是液体而非容器。网络成功识别了酒精含量，证明了它能够过滤掉瓶子的噪声，从而专注于液体的化学特征。这种能力预示着一个未来：质量控制可以在商店货架上瞬间完成，而无需破坏封条。

在所有四项实验中，研究人员都将他们新的柯尔莫哥洛夫-阿诺德网络与标准的卷积神经网络进行了对比。为了确保公平比较，他们匹配了两个模型中可调节参数的数量，这意味着新模型并非仅仅因为更大或更复杂，而是结构上有所不同。在每种情况下，从微小的咖啡数据集到大型塑料数据集，新架构的表现都与标准模型持平或更好。实验结果在多次训练运行中保持一致，新网络展现出了微弱但可靠的准确率优势。该研究得出结论，这种架构是光谱分析的一种多功能工具，能够处理从低分辨率食品欺诈检测到复杂的工业分拣等各种任务。它为在数据稀缺、嘈杂或难以获取的情况下实现光谱分析的自动化开辟了一条道路，有望使现实世界中的质量控制变得更快、更普及。