単一チャネル・ラマン分光のアンミキシングのための脳に着想を得たディープ分離ネットワーク

概要: 実世界の応用において取得されたラマン分光スペクトルは、検査対象試料中のさまざまな物質の複数のスペクトルが、しばしばノイズの多い形で混合されたものです。このようなスペクトルを、各物質に対応する個々の成分へと分離（アンミキシング）することは非常に価値があり、ラマン分光における長年の課題でした。既存のアンミキシング手法は主に、過剰に決定された混合モデルを逆推定するよう設計されているため、入力として複数の混合スペクトルを必要とします。しかし、規制物質の検出などのような、ラマン分光における非協力的および／またはオープンドメインの検出アプリケーションでは、単一チャネルの解が求められます。つまり、単一のノイズ混合スペクトルのみを解析して、何千もの候補の中から個々の成分を特定できる必要があります。私たちの知る限り、この状況に対処できる既存の唯一の解決策は疎回帰（スパース回帰）ですが、ノイズへの許容度が非常に低く、実際への適用はほとんど困難です。これらの制約に対処するため、音声分離に着想を得た、単一チャネルのラマン分光スペクトル分離（アンミキシング）のための新しいニューラル手法を提案します。本手法は、不等決定系を解くことを目的としており、（物質である）数千の成分ライブラリからのノイズ混合スペクトルを分解できます。本手法の中核は、混合スペクトルを入力として純粋成分のスペクトルを出力する深層分離ニューラルネットワーク（RSSNet）です。私たちは、単一チャネルのラマン分光スペクトル分離のための合成データセットを2つ作成し、これらのデータセットにおいてRSSNetの実現可能性と優位性を示しました（競合手法に対して>4dBで上回る）。さらに、合成データのみで学習したRSSNetが、鉱物粉末の混合物からなる現実世界の混合スペクトルをうまくアンミキシングできること、すなわち強い汎化性能を示すことを検証しました。本アプローチは、ラマンのアンミキシングにおける新しいパラダイムを表しており、ラマン混合物の高速検出に向けた新たな可能性を切り開きます。