数据融合与对比对齐：无约束红外分子结构解析
研究人员提出了一种改进的编码器-解码器Transformer模型，用于从红外光谱中自动解析分子结构，无需预知的化学式。通过引入专家混合（MoE）解码器模块，利用线性顺序统计量和Choquet积分进行非加性聚合，并添加对比对齐损失项，模型在Top-K预测准确率上比基线IR-only模型提升了超过10个百分点。研究表明，红外光谱编码了大部分化学信息，为AI在分析化学中的应用拓宽了道路。
在分析化学领域，利用红外光谱（IR）自动解析分子结构是一项具有重大意义的研究。然而，现有方法通常需要预先提供化学式作为辅助输入，这导致模型只能进行同分异构体识别，而无法实现完整的分子结构预测。虽然Transformer模型在同分异构体识别方面表现出色，但在无约束的结构解析任务中，其可靠性却大幅下降，且其原因尚未得到充分理解。为了解决这一问题，Ethan J. Mick等研究人员提出了一种改进的编码器-解码器Transformer架构，并对其关键组件进行了评估。
该研究的主要创新在于引入了一个基于专家混合（Mixture-of-Experts, MoE）的解码器模块。与传统的加性聚合方法不同，该模块采用线性顺序统计量和Choquet积分实现非加性聚合，从而能够更有效地应对无约束问题中庞大的化学空间。此外，研究人员还对Transformer的编码器进行了类似修改，使其在聚合光谱表示时也使用非加性算子。同时，模型还引入了一个辅助的对比对齐损失项，以进一步增强性能。
实验结果显示，这些改进措施使得模型在Top-K预测准确率上比基线IR-only模型提升了超过10个百分点。通过子结构片段分析，研究人员进一步确认，红外光谱实际上编码了绝大多数相关的化学信息。这一发现表明，此前同分异构体排名模型之所以表现优异，很可能是因为在探索的化学空间中，某些分子的吸收波段被低估或存在重叠。
该研究不仅证明了从实测红外光谱自动解析分子结构的可行性，还通过技术创新大大拓展了人工智能在分析化学领域的应用前景。未来，这种方法有望在缺乏先验化学信息的场景中加速新化合物的鉴定，具有重要的实际应用价值。