《Machine Learning and Knowledge Extraction》：Deep Learning-Based Synthesis, Classification and Analysis of Sedimentation Boundaries in Analytical Centrifugation Experiments
Moritz Mo?,
Sebastian Boldt,
Gurbandurdy Dovletov,
Adjie Salman,
Josef Pauli,
Dietmar Lerche,
Marco Glei?,
Hermann Nirschl,
Johannes Walter and
Wolfgang Peukert
编辑推荐：
机器学习与深度学习在颗粒测量技术中的应用日益广泛，但分析（超）离心领域仍缺乏相关自动化工具。针对实验数据标注缺乏、分析过程依赖专家经验的挑战，研究人员将变分自编码器与生成对抗网络结合，生成了高度逼真的合成AC/AUC数据，并在此基础上训练了分类与回归模型。该模型在分离动力学分类任务中表现可比拟专家，并为自动化、高效地分析复杂、多分散体系开辟了新途径，相关成果发表于《Machine Learning and Knowledge Extraction》。
在颗粒测量技术领域，分析离心（AC）和分析超速离心（AUC）是用于表征分散粒子体系的强大、无标记的绝对测量技术。然而，这两个技术的“甜蜜”背后也藏着“苦涩”：其数据分析与解读充满挑战，常常需要深厚的专业经验。首先，为了进行正确的定量分析，实验者必须事先对样品的分离动力学（如沉降、上浮、混合行为等）进行准确分类，这对于非专家用户而言门槛颇高。其次，传统的定量分析依赖于数值求解器，需要手动设定参数，过程繁琐且易出错。此外，驱动深度学习方法实现自动化的关键——大规模标注数据集，在AC/AUC领域也严重匮乏。为了解决这些瓶颈，让更多研究者能便捷、准确地利用离心技术，一项结合深度学习与数据合成的前沿研究应运而生。
该研究的核心技术路线包括：1. 使用变分自编码器和生成对抗网络的混合架构生成合成AC/AUC数据，以弥补真实标注数据的不足；2. 利用合成与真实数据，训练深度卷积神经网络对AC实验的分离动力学进行自动分类；3. 基于数值模拟的AUC沉降边界数据，训练回归模型以估算表现沉降系数。整个工作流程聚焦于基于数据的测量后分析，而非基于物理原理的反向建模。
2.1. 分离动力学的分类
研究人员利用合成与真实AC透射数据训练了多种深度学习模型。核心结论是，在合成数据上微调过的ResNet34模型在分离动力学分类任务上达到了94%的准确率，其性能与AC专家（91%）相当，而缺乏经验的用户准确率仅为53%。这证明，数据驱动的分类器能够有效模拟专家知识，为后续分析步骤的自动化提供了可靠的“守门人”。
2.2. 表现沉降系数的回归分析
在AUC数据分析方面，研究评估了多种生成模型来合成基于数值模拟沉降边界的数据。结果显示，结合了物理约束的VAE-GAN混合架构取得了最佳合成效果。然而，生成的剖面存在额外的模糊现象，导致估算的沉降系数分布变宽，这表明生成网络仍需进一步优化以获得更精确的物理表征。
3. 材料与方法
研究使用了真实的AC实验数据和数值模拟的AUC数据进行模型训练与评估。为了克服数据稀缺，开发了基于VAE和GAN的混合生成网络来合成AC和AUC数据。分类任务采用ResNet等卷积神经网络架构，回归任务则针对沉降系数进行预测。模型的性能通过准确率、均方误差等指标，并与专家评估结果进行对比验证。
4. 结论与讨论
本研究成功地将深度学习引入分析离心领域，为实现数据评估的自动化迈出了关键一步。首先，通过开发生成模型，有效解决了该领域训练数据不足的难题，合成数据甚至能“以假乱真”，使新手用户难以分辨。其次，训练出的分类模型在分离动力学判断上达到了专家水平，有望降低该技术的使用门槛。最后，在沉降系数回归分析上的探索，为未来实现快速、自动化的定量分析奠定了基础。
尽管当前工作主要针对近单分散、单模态的模型体系，但它为未来开发支持分析更复杂、多分散及多模态体系的先进工具铺平了道路。生成网络带来的数据“模糊”问题也指明了后续改进的方向，例如融入更严格的物理约束。总之，这项研究展示了数据驱动方法与经典表征技术融合的巨大潜力，不仅提升了分析离心技术的智能化水平，也为更广泛的仪器数据分析自动化提供了可借鉴的范式。
