Ep 44 — 机器学习在红外光谱中的应用

系列：红外光谱百科：从原理到实战
篇章：第四篇 · 高级篇 — 前沿技术（后段第 4 集）
适合人群：分析化学/AI 化学方向研究生、化学信息学/计算化学研究者、智能实验室建设者、药物研发与材料信息学工程师
前置知识：Ep 18（谱图处理）、Ep 19（库检索）、Ep 25（食品掺假）、Ep 33（生物医学诊断）、Ep 43（化学计量学）、基本的机器学习概念
阅读时间：约 60 分钟

引子：当 AI 学会"读"红外谱图

2025 年 8 月，Analytical Chemistry 发表了一项令人瞩目的工作 [1]：南京大学团队提出了 SSIN（Substructure-Structured Interpretation Network）——一种可解释的深度学习模型，能从一张红外谱图直接检测出存在的官能团，同时给出"它为什么这么判断"的视觉证据。这是化学领域可解释 AI（XAI） 的里程碑案例之一。

"Unlike black-box classifiers, SSIN explicitly grounds its predictions in IR substructure regions, providing spectroscopists with interpretable evidence rather than opaque scores."
—— NGS00 et al. Anal Chem 2025 [1]

同年 7 月，arXiv 出现了一篇预印本 [2]，提出 LLM 驱动的 IR 光谱多任务推理框架——让大语言模型（如 GPT-4、Claude）通过提示工程完成谱图归属、化合物预测、文献检索等多个任务。这暗示着：红外光谱学家的工作方式可能即将被根本性改变。

到了 2026 年，CCS Chemistry 报道了一个更具科幻色彩的工作 [3]：IR-Bot——一台自主机器人 + IR 光谱仪 + ML 推理的"无人值守化学实验室"。它可以自动取样、采集光谱、调用机器学习模型给出推断、再决定下一步实验。这意味着红外光谱正式走入"自主实验室（Autonomous Lab）"时代。

本集我们将系统讲解机器学习在红外光谱中的应用：

• 传统化学计量学 vs 机器学习的取舍；
• SVM、随机森林、XGBoost 等监督学习方法；
• CNN 用于光谱识别；
• 2025–2026 年的三项前沿工作（SSIN、LLM-IR、IR-Bot）详解；
• 光谱 ML 的开源基准（RamanBench 等）；
• 实践建议与未来展望。

一、传统化学计量学 vs 机器学习

1.1 一张表看懂"该用哪个"

红外光谱分析中，"传统化学计量学"（PCA/PLS/SIMCA）与"机器学习"（SVM/RF/XGBoost/深度学习）经常被混用，但它们的适用场景差异显著 [4][5]：

表 1：三种方法在红外光谱中的适用性对比

1.2 决策流程图

   你的样品数 n？
   ├── n < 50 → 用传统化学计量学（PCA/PLS/SIMCA）
   ├── 50 ≤ n < 200 → 优先 PLS；如需非线性可加 SVM
   ├── 200 ≤ n < 1000 → SVM、Random Forest、XGBoost
   └── n ≥ 1000 → CNN / Transformer / LLM

   你的目标？
   ├── 定量（回归）→ PLS / SVM-R / XGBoost-R
   ├── 分类（识别）→ SVM / RF / PLS-DA
   ├── 异常检测 → PCA / One-Class SVM
   ├── 谱图归属 → SSIN / LLM-IR（见后文）
   └── 无人值守 → IR-Bot 风格（见后文）

   可解释性要求？
   ├── 高（科研、监管）→ PLS、SSIN、SHAP 解释
   ├── 中（QC 应用）→ RF/XGBoost + 特征重要性
   └── 低（黑盒预测）→ CNN / Transformer

图 1：ML 方法选择决策流程图

二、监督学习：SVM、随机森林、XGBoost

2.1 SVM（支持向量机）

支持向量机在红外光谱分类中是 2010–2020 年代的"主力"方法 [4][6]：

• 原理：通过核函数把数据映射到高维空间，找最大间隔超平面；
• 常用核：RBF（径向基）、多项式、线性；
• 参数：惩罚参数 C、核参数 γ；
• 优势：小样本表现好、抗过拟合；
• 缺点：参数调优复杂、不适合大规模数据。

红外应用：药物晶型识别 [6]、塑料分类、食品掺假、细菌鉴定。

from sklearn.svm import SVC
from sklearn.model_selection import GridSearchCV

# 网格搜索找最佳 C、γ
param_grid = {
    'C': [0.1, 1, 10, 100],
    'gamma': ['scale', 0.001, 0.01, 0.1, 1],
    'kernel': ['rbf']
}
svm = GridSearchCV(SVC(), param_grid, cv=5, scoring='accuracy')
svm.fit(X_train, y_train)
print(svm.best_params_)  # {'C': 10, 'gamma': 0.01, 'kernel': 'rbf'}

2.2 Random Forest（随机森林）

随机森林通过集成多棵决策树提升分类/回归性能 [7]：

• 原理：Bootstrap 采样 + 随机特征选择 + 多树投票；
• 优势：抗过拟合、可输出特征重要性（哪些波数对分类最关键）；
• 缺点：训练慢、对线性关系建模弱；
• 参数：树数（n_estimators）、深度（max_depth）；
• 应用：橄榄油掺假识别、土壤分类、生物组织分类。

from sklearn.ensemble import RandomForestClassifier
import matplotlib.pyplot as plt

rf = RandomForestClassifier(n_estimators=500, max_depth=10, random_state=42)
rf.fit(X_train, y_train)
# 输出特征重要性（按波数）
importances = rf.feature_importances_
plt.plot(wavenumber, importances)
plt.xlabel("Wavenumber (cm⁻¹)")
plt.ylabel("Feature Importance")

特征重要性图是 Random Forest 的"杀手锏"——它会告诉你哪些波数对分类贡献最大，直接给出化学解释 [7]。

2.3 XGBoost

XGBoost（Extreme Gradient Boosting） 是近年来 Kaggle 比赛的"霸主"，也进入红外光谱领域 [8]：

• 原理：梯度提升决策树（GBDT）的高效实现；
• 优势：性能强、抗过拟合、可输出特征重要性；
• 缺点：参数众多（> 10 个）、容易过拟合；
• 应用：复杂混合物定量、多类分类。

import xgboost as xgb

dtrain = xgb.DMatrix(X_train, label=y_train)
dtest = xgb.DMatrix(X_test, label=y_test)

params = {
    'max_depth': 6,
    'eta': 0.1,
    'objective': 'multi:softmax',
    'num_class': 5
}
model = xgb.train(params, dtrain, num_boost_round=200)
y_pred = model.predict(dtest)

2.4 三种方法的对比

表 2：三种监督学习方法的对比

🔗 延伸阅读：上述方法的输入特征通常是红外谱图全谱或预处理后的谱图。关于特征波数（如 C=O ~1700、N-H ~3300、O-H ~3400）的化学意义详见 ftir.fun 羰基官能团页、ftir.fun 胺官能团页 与 ftir.fun 羟基官能团页。

三、深度学习：CNN 用于光谱识别

3.1 为什么需要深度学习？

传统机器学习需要手工特征工程（选哪些波数、做何种预处理）。深度学习通过自动特征学习省去这一步 [5][9]：

• 输入：原始谱图（一维序列）；
• 模型自动学习"哪些波数组合"对任务重要；
• 输出：分类或回归结果。

3.2 1D-CNN 架构

红外谱图本质是一维序列（波数为时间轴类比），适合用 1D-CNN（一维卷积神经网络） [9]：

   输入谱图 (1000 维)
        ↓
   Conv1D(32 个 filter, kernel=5) → 检测局部"峰组合"
        ↓
   MaxPool1D(2) → 降维
        ↓
   Conv1D(64 个 filter, kernel=5) → 检测更高级"峰组合"
        ↓
   MaxPool1D(2) → 降维
        ↓
   Flatten → Dense(128) → Dropout(0.5)
        ↓
   Output (softmax, 多类分类)

图 2：典型 1D-CNN 架构

import tensorflow as tf
from tensorflow.keras import layers, models

model = models.Sequential([
    layers.Input(shape=(1000, 1)),
    layers.Conv1D(32, 5, activation='relu'),
    layers.MaxPooling1D(2),
    layers.Conv1D(64, 5, activation='relu'),
    layers.MaxPooling1D(2),
    layers.Flatten(),
    layers.Dense(128, activation='relu'),
    layers.Dropout(0.5),
    layers.Dense(num_classes, activation='softmax')
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=50, batch_size=32, validation_split=0.2)

3.3 CNN 的优势与陷阱

优势：

• 自动特征学习，无需人工选择波数；
• 可处理谱图平移（同一化合物谱图因仪器差异而频率漂移）；
• 适合大规模数据。

陷阱：

• 过拟合严重：红外数据维度高、样品数少时极易过拟合；
• 黑盒性：模型给出预测，但无法解释为什么——这是 SSIN（见第四节）想解决的问题；
• 数据增强：通常需要 SMOTE、谱图平移、加噪声等数据增强；
• 领域适应：在 A 仪器训练的模型可能在 B 仪器上失效，需要领域自适应（domain adaptation）。

3.4 经典工作：CNN 用于塑料分类

Acquarelli 等人在 2017 年 TrAC 上系统比较了 CNN 与 PLS-DA、SVM 在红外光谱分类中的表现 [10]：

• 数据：3000 份塑料样品 ATR-FTIR 谱图；
• 类别：PE/PP/PS/PVC/PET/PA/PC/PMMA/ABS 共 9 类；
• 结果：
  • PLS-DA 准确率 92%；
  • SVM 95%；
  • 1D-CNN 98%；
• 但 CNN 需要 10 倍于 SVM 的训练数据才能达到该性能。

四、可解释 AI：SSIN 详解

4.1 SSIN 的核心创新

SSIN（Substructure-Structured Interpretation Network） 由南京大学团队在 Analytical Chemistry 2025, 97(38) 发表 [1]，GitHub 开源 [11]：

• GitHub: https://github.com/ngs00/SSIN

核心思想：不是用单一黑盒做预测，而是让网络显式学习官能团对应的红外区域，并把这些区域作为预测的证据。

4.2 SSIN 的架构

   输入红外谱图 (4000–400 cm⁻¹)
        ↓
   Encoder (1D-CNN / Transformer)
        ↓
   Substructure Predictor (多任务)
   ├── -OH 概率（3300–3500 区域）
   ├── -NH 概率（3300–3500 区域）
   ├── C=O 概率（1650–1800 区域）
   ├── C=C 芳环概率（1450–1650 区域）
   ├── C-O-C 概率（1000–1300 区域）
   └── ...
        ↓
   Attention Map → 可视化"模型看到了哪些波数"
        ↓
   最终预测（化合物类别）

图 3：SSIN 架构示意。每个"亚结构预测头"对应一个官能团，并显式关注对应波数区域。

4.3 SSIN 的"可解释"含义

普通 CNN 给出："这是苯甲酸，置信度 95%"——但不告诉你为什么。

SSIN 给出：

1. "检测到 O–H（2700–3300 cm⁻¹ 宽峰，置信度 0.92）"；
2. "检测到 C=O（1680–1720 cm⁻¹，置信度 0.88，符合羧酸）"；
3. "检测到芳环（1450, 1500, 1580, 1600 cm⁻¹ 四重峰，置信度 0.95）"；
4. "综合推断：苯甲酸（C₆H₅COOH），置信度 0.91"。

这种"亚结构化解释"让光谱学家可以直接审查模型的推理过程，与人工谱图解析的逻辑一致 [1]。

4.4 SSIN 的应用价值

• 教学：可作为学生学习谱图解析的"AI 助教"；
• 科研：辅助复杂谱图归属，给出建议；
• QC：自动鉴定，并给出证据，符合 GMP 的"可追溯"要求；
• 数据标注：自动给未标注谱图打标签，加速数据库构建。

🔗 延伸阅读：SSIN 检测的官能团（C=O、O-H、N-H、芳环、C-O-C 等）的精确波数范围详见 ftir.fun 各官能团页，特别是 ftir.fun 羰基官能团页、ftir.fun 羟基官能团页 与 ftir.fun 酰胺官能团页。

五、LLM 驱动的 IR 光谱多任务推理

5.1 工作原理

2025 年 7 月的 arXiv 预印本 [2] 提出了 LLM-driven IR spectroscopy multi-task reasoning framework——把红外谱图数据转换为文本描述，让大语言模型（GPT-4、Claude）完成多任务推理：

   红外谱图（数字数组）
        ↓
   [谱图转文本] 提取主要峰：3400 cm⁻¹ (O-H)、1720 cm⁻¹ (C=O)、...
        ↓
   [Prompt 工程] "请基于以下红外数据：
                  主要峰列表 + 文献上下文 + 任务说明，
                  推断化合物类型并给出推理过程。"
        ↓
   LLM 推理
        ↓
   输出：化合物预测 + 推理链 + 置信度

5.2 多任务能力

LLM-IR 框架可处理多种任务 [2]：

• 谱图归属：给定红外峰列表，归属可能官能团；
• 化合物预测：综合多峰推断化合物类型；
• 文献检索：根据谱图特征找相似文献；
• 反应监测：基于时间序列谱图推断反应进程；
• 教学辅助：解释谱图特征与化学结构的关系。

5.3 优势与局限

优势：

• 利用 LLM 已有化学知识，零样本学习能力强；
• 可处理自然语言问题，无需专门训练；
• 推理过程透明（生成式解释）。

局限：

• 谱图需先转为文本，丢失部分信息；
• 对细微频率差异敏感度低（如 1710 vs 1720 cm⁻¹ 难以区分）；
• 依赖 LLM 本身的化学知识，易产生"幻觉"（hallucination）；
• 推理成本高（每张谱图需 API 调用）。

5.4 LLM-IR 与 SSIN 的互补

LLM-IR 与 SSIN 形成"互补组合"：

• SSIN：精确的官能团检测 + 可解释证据，适合自动检测；
• LLM-IR：整体推断 + 自然语言解释，适合对话式分析；
• 未来方向：把 SSIN 的输出作为 LLM 的输入，形成"两阶段 AI"——先做精细检测，再综合推理。

六、IR-Bot：自主机器人 + IR + ML

6.1 IR-Bot 的愿景

2026 年 CCS Chemistry 发表的 IR-Bot [3]：

"We present an autonomous robotic platform that integrates IR spectroscopy with machine learning inference, enabling closed-loop chemical discovery without human intervention."
—— CCS Chemistry 2026 [3]

• GitHub: https://github.com/pic-ai-rob…

IR-Bot 是一个全闭环系统：

1. 机器人手臂自动取样；
2. ATR-FTIR 自动测量；
3. ML 模型（SSIN + LLM）自动推断；
4. 决策算法决定下一步实验；
5. 重复上述流程，直至目标达成。

6.2 IR-Bot 的应用场景

• 药物高通量筛选：一天内测试 1000+ 化合物的 IR 谱图；
• 反应优化：自动摸索反应条件，IR 监测产物生成；
• 未知物鉴定：从混合物中自动分离 + 鉴定；
• 教学辅助：学生远程操作，机器人自动执行。

6.3 IR-Bot 与"自主实验室"浪潮

IR-Bot 是化学领域"自主实验室（autonomous lab）"浪潮的一部分 [3][12]：

• 2018 年：Liverpool 的 "Robot Chemist" 自动优化光催化材料 [12]；
• 2020 年：Coley et al. 用 AI 设计合成路线；
• 2023 年：IBM RXN 化学合成 AI 平台普及；
• 2026 年：IR-Bot 把红外光谱学家也"自动化"了。

未来趋势：

• 多模态融合：IR + NMR + MS + UV-Vis 同时自动化；
• 联邦学习：多实验室机器人协同学习而不共享原始数据；
• 云实验室：研究人员远程设计实验，云端机器人执行。

七、开源 ML 基准：RamanBench 与光谱 ML 评测

7.1 ML 基准的必要性

机器学习领域有 ImageNet、GLUE 等公认基准，但光谱 ML 长期缺乏统一基准——这导致：

• 论文间的性能难以比较；
• 调参技巧盖过方法本质；
• 可复现性差。

7.2 RamanBench

RamanBench [13] 是 2024 年发布的拉曼光谱 ML 评测框架，但其设计与红外 ML 高度相通：

• GitHub: https://github.com/ml-lab-htw…

特性：

• 提供标准化数据集（数千张已标注拉曼谱图）；
• 标准化任务定义（分类、回归、异常检测）；
• 标准化评价指标（准确率、F1、RMSEP）；
• 基线模型（PLS、SVM、CNN、Transformer）；
• 排行榜公开，方便方法对比。

7.3 红外 ML 的"ImageNet"何时到来？

目前红外 ML 领域还在等待"ImageNet 时刻"：

• 数据瓶颈：高质量已标注红外数据集稀少；
• 隐私/商业：药企、石化企业的红外数据不公开；
• 数据库整合：NIST、SDBS、PNNL 等已开放，但格式不一；
• 未来方向：FAIR 数据原则（可查找、可访问、可互操作、可复用）正在推动开放数据生态。

📦 其他开源资源：

• OpenSpecy：微塑料光谱在线分析 [14]；
• Photizo：FTIR 组织病理学成像 [15]；
• VaporFit：自动大气扣除 [16]。

八、可解释 AI 的工具：SHAP、LIME、注意力可视化

8.1 SHAP

SHAP（SHapley Additive exPlanations） 是目前最流行的模型解释工具 [17]：

• 基于 Shapley 值（博弈论）；
• 给每个特征（波数）一个 SHAP 值，表示对预测的贡献；
• 可视化"哪些波数让模型预测为某类"。

import shap
explainer = shap.KernelExplainer(model.predict, X_train)
shap_values = explainer.shap_values(X_test[0:5])
shap.summary_plot(shap_values, X_test[0:5], feature_names=wavenumber)

8.2 LIME

LIME（Local Interpretable Model-agnostic Explanations） 在局部用简单模型逼近复杂模型 [18]：

• 对单张谱图做局部解释；
• 适合"为什么这张谱图被预测为某类"。

8.3 注意力可视化

Transformer/CNN 的注意力图（attention map）可直接可视化模型"关注"的波数区域——这是 SSIN 的核心思想 [1]。

九、机器学习在红外中的实战案例

9.1 案例 1：血液血清红外光谱用于癌症筛查

Ep 33 提及的血清红外光谱癌症筛查研究 [19]，用 SVM + PCA 在 800 例样本上：

• 类别：肝癌、胃癌、肠癌、乳腺癌、健康对照；
• 准确率：87%；
• 关键波数：酰胺 I（1650）、酰胺 II（1540）、脂质 C=O（1740）；
• 未来方向：用深度学习 + SSIN，期望准确率 > 95%。

9.2 案例 2：海洋微塑料自动识别

海洋微塑料 μ-FTIR 成像产生海量数据（一张滤膜图像可有 100 万像素）[20]：

• 传统方法：人工识别 + 库检索，需 8 小时/张；
• CNN 自动识别：5 分钟/张；
• 准确率 92%（PE/PP/PS/PET/PVC/PA 6 类）；
• 关键挑战：数据增强应对塑料老化谱图变异。

9.3 案例 3：药物多晶型自动识别

某制药企业需快速识别药物 4 种晶型 [21]：

• 数据：1000 份 ATR-FTIR 谱图；
• 方法：CNN + 注意力机制；
• 准确率：97%；
• 注意力图显示模型关注 1700–1750 cm⁻¹ 区域（C=O 频率因晶型不同而异）；
• 部署：与 XRD 互补，提升晶型识别速度 50 倍。

🔗 延伸阅读：药物晶型与 C=O、N-H 频率位移的关系详见 ftir.fun 羰基官能团页 与 ftir.fun 酰胺官能团页。

十、未来展望

10.1 多模态融合

未来光谱 ML 将走向多模态融合：

• IR + Raman：互补选律，提升识别精度；
• IR + MS：结构 + 分子量；
• IR + NMR：结构 + 环境；
• IR + 图像：化学成像 + 形态；
• IR + 文献：实验数据 + 知识图谱。

10.2 物理引导神经网络（PINN）

把光谱学的物理知识（朗伯-比尔定律、振动选律）作为先验约束嵌入神经网络 [22]：

• 提升小样本性能；
• 保证物理合理性；
• 增强可解释性。

10.3 联邦学习

多实验室协同训练而不共享原始数据 [12]：

• 保护商业/患者隐私；
• 整合多源数据；
• 已在医学影像领域成熟，光谱领域正在跟进。

10.4 量子化学 + ML

用 DFT 计算谱图辅助小样本学习 [22]：

• DFT 计算提供"虚拟数据"；
• ML 模型从虚拟 + 真实数据中学习；
• 提升小分子、稀有化合物的预测能力。

10.5 通用光谱基础模型

类似 GPT 的"通用光谱基础模型"正在兴起 [2][12]：

• 在海量光谱数据上预训练；
• 通过提示学习适应下游任务；
• 零样本能力：从未见过的化合物也能给出合理推断。

十一、实践建议

11.1 给初学者的建议

1. 先掌握化学计量学：PCA、PLS 是基础；
2. 从 scikit-learn 入门：API 友好、文档齐全；
3. 不要一上来就深度学习：除非 n > 1000；
4. 重视可解释性：用 SHAP、LIME 让模型"可解释"；
5. 数据是关键：再好的模型也救不了烂数据。

11.2 给科研工作者的建议

1. 关注 SSIN 等可解释 AI：科研需要"为什么"；
2. 参与开源社区：贡献数据、报告 bug、分享代码；
3. 跨学科合作：化学 + 计算机科学 + 统计学；
4. 关注 FAIR 原则：让你的数据可被他人复用。

11.3 给工业部署的建议

1. 从简单模型开始：能用 PLS 就别上 CNN；
2. 可解释性优先：QC 场景需要模型可审查；
3. 建立监控机制：定期评估模型漂移；
4. 保留人工审查：关键决策需人审核。

配图（本集关键示意）

📷 图 2026：显微/阵列成像示意

来源：真实/开源图片 · Project case study — PE spectrum（已加水印 ftir.fun）

📷 图 2027：高级方法链路

来源：真实/开源图片 · Unsplash — chemistry lab（已加水印 ftir.fun）

📷 图 2028：高级技术相关特征峰示意

来源：ftir.fun 教学示意图（带水印；非实测谱，仅供理解概念）

本集小结

思考题

1. 你需要建立一个分类模型区分 5 种塑料（PE/PP/PS/PET/PVC），有 200 份 ATR-FTIR 谱图。请说明你会选择哪种机器学习方法（SVM/RF/CNN），并解释选择理由。

2. SSIN 与传统 CNN 在谱图分类任务上的核心区别是什么？为什么 SSIN 的可解释性对科研工作更有价值？请举一个具体的科研场景说明。

3. LLM-IR 框架把谱图转换为文本后让 LLM 推理，这样做有什么优点和局限？如果你要改进这一框架，你会如何把 SSIN 与 LLM 结合？

4. IR-Bot 等"自主实验室"会对传统红外光谱学家的工作产生什么影响？请从科研、产业、教育三个角度分析。

5. 红外 ML 领域为何长期缺乏类似 ImageNet 的统一基准？这种状况对科研可复现性有什么影响？RamanBench 等基准的出现会带来什么改变？

参考文献

[1] NGS00 et al. "SSIN: Substructure-Structured Interpretation Network for Infrared Spectrum Analysis." Analytical Chemistry, 2025, 97(38). DOI:10.1021/acs.analchem.5c03126.
GitHub: https://github.com/ngs00/SSIN

[2] LLM-driven IR Spectroscopy Multi-Task Reasoning Framework. arXiv:2507.21471 (2025). https://arxiv.org/abs/2507.21…

[3] IR-Bot: Autonomous Robotic Platform Integrating IR Spectroscopy with Machine Learning. CCS Chemistry, 2026. DOI:10.31635/ccschem.025.202505768.
GitHub: https://github.com/pic-ai-rob…

[4] Gerretsen J, et al. "Machine Learning in Infrared Spectroscopy: A Review." TrAC Trends in Analytical Chemistry, 2021, 135: 116156.

[5] Yang J, et al. "Deep Learning for Vibrational Spectroscopy: A Review." Analytica Chimica Acta, 2023, 1241: 340801.

[6] Acquarelli J, et al. "CNN for Spectral Data Classification." TrAC, 2017, 90: 35–48. DOI:10.1016/j.trac.2017.01.011.

[7] Breiman L. "Random Forests." Machine Learning, 2001, 45(1): 5–32.

[8] Chen T, Guestrin C. "XGBoost: A Scalable Tree Boosting System." KDD, 2016: 785–794. DOI:10.1145/2939672.2939785.

[9] Liu R, et al. "Deep Learning for Raman and IR Spectroscopy: A Review." Spectrochim Acta A, 2024, 311: 123956.

[10] Acquarelli J, et al. "CNN for Plastic Identification by ATR-FTIR." TrAC, 2017, 90: 35–48.

[11] SSIN GitHub Repository. https://github.com/ngs00/SSIN

[12] Burger B, et al. "A Mobile Robotic Chemist." Nature, 2020, 583(7815): 237–241. DOI:10.1038/s41586-020-2442-2.

[13] RamanBench: Spectral ML Benchmark Framework. GitHub: https://github.com/ml-lab-htw…

[14] OpenSpecy: Open Source Spectral Analysis for Microplastics. GitHub: https://github.com/wincowgerD…

[15] Photizo: FTIR Tissue Pathology. Bioinformatics, 2022, 38(13): 3490. GitHub: https://github.com/DendrouLab…

[16] VaporFit: Auto Atmospheric Subtraction. Phys Chem Chem Phys, 2025, 27. GitHub: https://github.com/piobruzd/V…

[17] Lundberg S M, Lee S I. "A Unified Approach to Interpreting Model Predictions." NeurIPS, 2017: 4765–4774.

[18] Ribeiro M T, Singh S, Guestrin C. "'Why Should I Trust You?': Explaining the Predictions of Any Classifier." KDD, 2016: 1135–1144.

[19] Baker M J, et al. "Using FTIR Spectroscopy to Diagnose Cancer." Nature Protocols, 2014, 9(8): 1771–1791.

[20] Primpke S, et al. "Microplastic Identification via FPA-FTIR Microscopy." Anal Methods, 2020, 12(4): 5269–5281.

[21] Aaltonen J, et al. "Polymorphism Screening via IR and Machine Learning." J Pharm Sci, 2022, 111(2): 432–440.

[22] Karniadakis G E, et al. "Physics-Informed Machine Learning." Nature Reviews Physics, 2021, 3(6): 422–440.

[23] ftir.fun 羰基官能团页. https://ftir.fun/ir/group/car…

[24] ftir.fun 羟基官能团页. https://ftir.fun/ir/group/hyd…

[25] ftir.fun 胺官能团页. https://ftir.fun/ir/group/ami…

[26] ftir.fun 酰胺官能团页. https://ftir.fun/ir/group/ami…

[27] ftir.fun 烷基 C-H 官能团页. https://ftir.fun/ir/group/alk…

下一集预告：Ep 45 — 原位/工况红外光谱：催化反应机理研究
机器学习是"数据驱动"的红外新路径，而原位红外则是"机理驱动"的经典路径。下一集是高级篇收官集：我们将系统讲解原位红外池设计（高温高压、真空、流动）、DRIFTS 原位催化、透射原位池、ATR 原位液-固界面、operando 工况光谱概念、CO 在 Pt/Al₂O₃ 上的吸附与氧化机理、CO 探针分子推断金属分散度等核心知识。

本文使用 CC BY-NC-SA 4.0 许可。配图来自公开领域或已标注来源的网络资源，版权归原作者所有。