清析智研刷新拉曼光谱 AI 分析 SOTA！74 个数据集、150 项任务全面登顶

0人阅读|发布时间:2026-08-06

导读：清析智研联合北航团队，把「读懂光谱」这件事做到了新高度。

来源：极客公园

在材料研发、生物检测、工业质检等领域，拉曼光谱被称为材料世界的「分子指纹」。通过分析分子振动信息，它能够帮助研究人员获取材料组成、结构状态等关键特征。

但长期以来，拉曼光谱智能分析面临一个核心挑战：数据维度高，而有效样本有限。

一条拉曼光谱通常包含数千甚至上万个波数通道，其中既包含峰形、峰位、强度变化等局部信息，也包含分布于不同区域峰信号之间的整体关联。如何同时利用两类信息、高效智能地分析结果，一直是拉曼数据处理中的关键问题。

现在，这支中国团队给出了新的解决方案。

清析智研（CleerScience）联合北京航空航天大学大科学装置研究院陆吉玺研究员团队，正式发布拉曼光谱基座模型 RamanPFN。该模型重新设计了拉曼光谱与基础模型之间的数据表示方式，将全谱组成关联与局部振动结构相结合，实现对复杂拉曼光谱的联合建模。

在覆盖材料科学、化学工业、生物技术、医学研究四大领域的统一评测中，RamanPFN 完成了对 74 个公开数据集、325,668 条光谱、150 项预测任务的系统验证，在综合 Score 与 Elo 两项核心指标上取得当前评测体系下的 SOTA。

全面SOTA：53 个数据集、129 项任务，6 项指标全面领先

在 RamanBench 统一评测体系下，清析智研的 RamanPFN 完成了覆盖 150 项拉曼预测任务的系统验证，并在回归、分类及总体综合评测中均取得 SOTA 表现。

在回归赛道中，RamanPFN 面向来自 53个公开数据集的129项任务，与26种代表性方法进行统一比较，覆盖表格基础模型、拉曼专用神经网络、通用深度学习模型、树模型及传统化学计量学方法，并在6项综合评价指标上全面领先。

在分类赛道中，RamanPFN 覆盖材料分析、矿物分类、微塑料识别、生物样本检测、疾病诊断及细菌识别等多类应用场景，并与 28 种外部方法进行统一评测。在 Weighted F1、Balanced Accuracy、Accuracy、MCC、Score 和Elo 六项指标上，RamanPFN 均排名第一。

覆盖材料分析、矿物分类、微塑料识别、生物样本检测、疾病诊断、细菌识别等场景，在 Weighted F1、Balanced Accuracy、Accuracy、MCC、Score 和 Elo 六项指标上，RamanPFN 均排名第一。

从「覆盖光谱」到「理解光谱」，RamanPFN 做对了什么？

它没有简单堆参数，而是从拉曼光谱的物理结构本身出发，重新设计了数据表示：

• 全局组成解混（GCU）：建模跨区域峰关联，把握全谱组成

• 局部振动子空间编码（LVSE）：捕捉局部峰形、峰位等细微变化

• 有符号三元融合机制（Signed Triplet Integration）：整合锚点预测、局部修正与对比信息，避免全局与局部特征过早混合