Infrarot-Spektroskopie

- Ein Trendbericht -

deep learning verfahren für den einsatz in der infrarotspektroskopischen datenauswertung

Grundsätzlich wird zwischen „Artificial Intelligence“ (AI), „Machine Learning“ (ML) und „Deep Learning“ (DL) unterschieden. Ersteres ist ein sehr weitgefasster Begriff, der den Einsatz jeglicher Programme zur Datenauswertung umfasst. ML geht einen Schritt weiter und beinhaltet die Fähigkeit der Datenauswertung, ohne dafür explizit programmiert worden zu sein. Das Programm ist dementsprechend in der Lage, selbstständig Muster und Gesetzmäßigkeiten zu erkennen. DL schließlich konstruiert ein Modell für die Daten basierend auf der Kombination verschiedener einfacher Konzepte. Typischerweise werden als einfache Konzepte Neuronen eingesetzt und diese werden in neuronale Netzwerke kombiniert, welche Aufgaben lösen können, die sich nur schwer durch explizite mathematische Regeln formulieren lassen1. Werden AI, ML und/oder DL auf chemische Daten angewandt, kann man diese Anwendung auch der „Chemometrie“ zuordnen, dass der Anwendung mathematischer Methoden in der Chemie und auf chemische Daten gewidmet ist. Generell ist das Lambert-Beer‘sche Gesetz ein wichtiges mathematisches Modell, das eine lineare IR-Spektrenauswertung nahelegt, welche auch chemometrische Verfahren wie die Classical Least Squares-, Inverse Least Squares- oder Principal Component Analysis-Regressionsanalyse beinhaltet.1 Dieses Gesetz ist jedoch ein mathematisches Modell, welches nur für vergleichsweise schwache Absorptionen gültig und nur dann mit den Theorien der Wellenoptik und der Dispersionstheorie kompatibel ist.

Typischerweise werden als einfache Konzepte Neuronen eingesetzt und diese werden in neuronale Netzwerke kombiniert, welche Aufgaben lösen können, die sich nur schwer durch explizite mathematische Regeln formulieren lassen

Die Einflüsse von verschiedenen Substraten, der Dicke der Probe (Interferenzeffekte), physikalische Mischungseffekte, wie sie vom Lorentz-Lorenz Gesetz beschrieben werden, oder Lichtstreueffekte, welche zu Nichtlinearitäten führen, gehen nicht in das Lambert-Beer‘sche Gesetz ein und können demzufolge nicht auf seiner Basis beschrieben werden.2 Gerade wenn mehrere dieser Effekte gleichzeitig auftreten, sind die entsprechenden Zusammenhänge auch wellenoptisch nicht mehr analytisch zu beschreiben. Für diese Fälle bietet sich der Einsatz von DL oder anderen nichtlinearen Modellen an2,3. Weitere Einsatzgebiete von DL sind der Modeltransfer (z.B. Kalibrationstransfer), die inverse Modellierung von IR Spektren4 und das Compressed Sensing. Da optische photothermische IR-Detektionsverfahren nicht auf dem Lambert-Beer‘schen Gesetz beruhen, sind die oben beschriebenen Effekte weniger relevant. Nichtsdestotrotz müssen auch in diesem Fall Auswertungsansätze für eine quantitative Spektrenauswertung entwickelt werden, für die DL-basierte Ansätze ebenfalls prädestiniert erscheinen.

(1) Pradhan, P.; Guo, S.; Ryabchykov, O.; Popp, J.; Bocklitz, T.W. J Biophotonics 2020, Mar;13:e201960186.
(2) Mayerhöfer, T. G.; Pahlow, S.; Popp, J. ChemPhysChem 2020, 21, 2029-2046.
(3) Raulf, A.P.; Butke, J.; Menzen, L.; Köpper, C.; Großerueschkamp, F.; Gerwert, K. et al. Arxiv 2020, https://arxiv.org/abs/2002.07681
(4) Guo, S.; Mayerhöfer, T.; Pahlow, S.; Hübner, U.; Popp, J.; Bocklitz, T. Analyst 2020,145(15), 5213–20.

(c) Leibniz Institute of Photonic Technology, 2021

Operated by
Leibniz Institute of Photonic Technology
Jena | Germany
www.leibniz-ipht.de