في عالم سريع التطور يعتمد بشكل متزايد على البيانات، يتواجه العلماء الباحثون في مجال التحليل الطيفي مع تحدٍ كبير يتمثل في نقص البيانات المعنونة في التخصصات المختلفة مثل علم المواد والطب الحيوي. مع ذلك، قد لا تضمن تغطية القنوات وجود سياق مشترك للاستدلال بين النطاقات المرتبطة.

هنا يأتي نموذج RamanPFN الجديد، وهو إطار عمل عام يهدف إلى تعزيز التعلم من البيانات الطيفية بطريقة متماسكة. يعتمد النموذج على تعلم الطيف الموجه فيزيائياً، حيث يتيح استدلالاً موحداً للمعلومات من خلال إعداد جديد موحد.

تمكن RamanPFN من التقاط تباين التركيب الكامل عبر الاستخدام المبتكر لعملية تفكيك التركيب العام (Global Compositional Unmixing - GCU)، الذي يفكك التوقيعات المعقدة إلى قواعد غير سالبة مشتركة. بالإضافة إلى ذلك، يقوم النموذج بمعالجة الهيكل الاهتزازي المحلي عبر ترميز الفضاء الاهتزازي المحلي (Local Vibrational Subspace Encoding - LVSE)، مما يحافظ على دقة شكل القمم وتذبذبات الشدة، وكذلك التحولات ضمن الأحياء الطيفية المتواصلة.

أجري تقييم شامل على 74 مجموعة بيانات الطيف العامة، حيث غطت 129 هدفًا للقيم المستمرة وتمتد إلى 21 مهمة تصنيفية. وحقق RamanPFN أداءً رائدًا يتفوق على جميع المقاييس المجمعة مقارنةً بـ 28 طريقة مستقلة تم إعادة إنتاجها.

يضع RamanPFN نموذجًا موجهًا فيزيائياً في صميم علم الطيف، مما يفتح آفاق جديدة للتعلم التنبؤي الفعال للبيانات عبر نظم كيميائية متنوعة.