Chemometria od dwudziestu lat opiera się na PLS, PCA i klasycznych modelach regresji wielowymiarowej — i przez większość czasu to wystarczało. W ostatnich dwóch latach obraz się zmienił. Pojawiły się prace, w których konwolucyjne sieci neuronowe (CNN), transformery i nowe metody transferu kalibracji zaczęły wyciskać z widm Ramana więcej niż klasyczna chemometria, ale tylko w określonych warunkach. W tym przeglądzie składamy najświeższe wnioski z literatury 2025–2026 i pokazujemy, gdzie deep learning realnie pomaga w spektroskopii procesowej, a gdzie jest jeszcze kosztowną obietnicą.

W Gekko Photonics projektujemy i produkujemy procesowe analizatory Ramana w Polsce — w wariantach inline, laboratoryjnym i przenośnym. Nasza platforma Spectrally OS łączy modele PLS i PCA z głębokimi sieciami CNN i biblioteką około 28 000 widm referencyjnych. Dzięki temu mamy świeżą perspektywę: nie patrzymy na deep learning jako akademickie ćwiczenie, lecz jak na narzędzie, które albo skraca czas wdrożenia modelu chemometrycznego na linii, albo nie.

Co się zmieniło w 2026 — przegląd nowości

Trzy nurty wyznaczają obecny stan wiedzy. Po pierwsze, benchmarki rozproszone na otwartych zbiorach danych pokazują, że dobrze wytrenowane 1D-CNN potrafią dorównać a czasem przegonić klasyczne modele liniowe — ale wynik zależy od wielkości danych i poziomu szumu. Pracy MDPI z 2026 r. „Recent Advances in Raman Spectral Classification with Machine Learning” porządkuje ten dorobek i wskazuje, że metody hybrydowe (klasyczna preprocesyjna chemometria + sieć) wciąż dominują w aplikacjach gdzie danych jest mało.

Po drugie, pojawiły się architektury transformerowe dedykowane widmom Ramana. Sieci typu RaT i Swin-Transformer zaadaptowane do jednowymiarowych widm dają obiecujące wyniki w klasyfikacji szczepów bakteryjnych, ale wyraźnie radzą sobie gorzej niż 1D-CNN przy mniejszych zbiorach — to typowy ślad data-hungry models. Zanim transformer wyprze CNN z linii produkcyjnej, musi pojawić się dużo więcej etykietowanych widm albo dużo lepsze strategie pretrenowania.

Po trzecie, prace nad redukcją artefaktów (RADAR w „Advanced Optical Materials” 2025, MGD-CNN do preprocesowania) pokazują, że deep learning lepiej sprawdza się jako warstwa wstępna — odejmowanie tła fluorescencyjnego, denoising, korekta baseline — niż jako jedyna warstwa decyzyjna. To dla nas, dostawców analizatorów procesowych, ważny sygnał: deep learning najpierw oczyszcza widmo, klasyczna chemometria robi predykcję, model jest interpretowalny i audytowalny.

CNN czy PLS — co naprawdę wygrywa w procesie

Najbardziej rzetelne porównanie pochodzi z pracy „Reevaluating Convolutional Neural Networks for Spectral Analysis” (arXiv 2509.25964, 2025). Autorzy testowali prostą 1D-CNN i PLS na kilkunastu otwartych zbiorach widm Ramana. Wniosek jest niewygodny dla zwolenników deep learningu: PLS minimalnie wygrywa na 83% zbiorów. CNN bije PLS dopiero na dużych zbiorach z wysokim szumem.

Co to znaczy dla chemii procesowej? Większość rzeczywistych instalacji startuje z ograniczoną liczbą próbek kalibracyjnych — kilkadziesiąt do kilkuset widm pokrywających rozsądny zakres analitu. W takich warunkach PLS i jego rozszerzenia (PLS-DA, OPLS) pozostają robocze, a CNN zaczyna mieć przewagę dopiero gdy proces pracuje od miesięcy i baza widm urośnie do tysięcy. Stąd nasz pragmatyczny układ: Spectrally OS trenuje PLS jako model podstawowy, a CNN włącza się równolegle gdy strumień danych z linii to uzasadnia.

Drugi praktyczny wniosek: nieliniowe relacje między widmem a stężeniem (typowe przy interakcjach matryca-analit, np. w żywicach fenolowo-formaldehydowych czy gęstych emulsjach) to obszar gdzie CNN bije PLS regularnie. Dla aplikacji, w których chemometria liniowa daje typowo RMSECV powyżej oczekiwań — warto inwestować w sieć. Dla aplikacji, w których PLS osiąga RMSECV rzędu 0,1–0,3% wagowych, CNN raczej dorówna niż przegoni.

Transformery i mechanizmy uwagi w widmach Ramana

Mechanizm uwagi (attention) ma w spektroskopii Ramana intuicyjną interpretację: sieć uczy się, które pasma cm⁻¹ mają największy wpływ na predykcję analitu. To rozwiązuje stary problem chemometrii — interpretowalność. W publikacji „Deep learning-based Raman spectroscopy qualitative analysis algorithm” (Talanta 2024) zaproponowano architekturę RST (Raman Spectral Translation) łączącą CNN i attention do analizy mieszanin. Pokazano, że attention map koreluje z pasmami diagnostycznymi znanymi z literatury klasycznej.

Z punktu widzenia walidacji modelu na produkcji to przełom: kontroler procesowy chce wiedzieć, że predykcja modelu opiera się na fizycznie sensownych pasmach. Sieć typu black box, która nie potrafi pokazać dlaczego daje konkretną wartość, ma kłopot w środowisku regulowanym (GMP, ISO 9001, audyty klientów). Attention dostarcza ten brakujący komponent.

Mimo to, transformery w czystej postaci na razie nie są gotowe do procesowych wdrożeń — wymagają zbyt dużej liczby próbek treningowych i są drogie obliczeniowo na sprzęcie embedded. Hybrydy CNN + attention (kompaktne, kilkadziesiąt tysięcy parametrów) są na ten moment praktycznym kompromisem.

Data augmentation i transfer kalibracji — bottleneck rozwiązany

Dwa problemy spinały dotychczas chemometrię procesową: za mało danych do treningu i brak prostego sposobu przeniesienia modelu między dwoma egzemplarzami spektrometru.

W zakresie augmentacji danych, w 2026 r. opublikowano pracę stosującą modele dyfuzyjne do generowania syntetycznych widm IR i Ramana (PubMed 41558273). Generatywne podejście pozwala wzbogacić mały zbiór treningowy o realistyczne warianty bez przesuwania pików — to rozwiązuje klasyczny problem „mam 30 próbek, sieć przeucza się w 5 minut”.

W zakresie transferu kalibracji praca „Calibration Transfer of Deep Learning Models among Multiple Raman Spectrometers via Low-Rank Adaptation” (ACS Analytical Chemistry 2025) wprowadziła metodę LoRA-CT, która redukuje liczbę parametrów do strojenia o około 600× względem pełnego fine-tuningu. W teście na mieszankach metanolu LoRA-CT osiągnął R² typowo około 0,95 przy zaledwie kilku próbkach transferowych. Dla nas to istotna techniczna nowość: model wytrenowany na jednym egzemplarzu Spectrally X1 LAB można szybciej przenieść na Spectrally X1 INLINE stojący na linii produkcyjnej.

Rozwiązania Gekko Photonics: deep learning w platformie Spectrally OS

U nas, w Gekko Photonics, deep learning wchodzi do Spectrally OS ewolucyjnie, krok po kroku. Bazą jest PLS i PCA — modele dobrze rozumiane, audytowalne, szybkie do walidacji. Sieci CNN dokładamy w trzech miejscach:

• Preprocesing widm — odejmowanie tła fluorescencyjnego i denoising w trudnych matrycach (żywice fenolowo-formaldehydowe, gęste emulsje kosmetyczne). Tu deep learning daje natychmiastową wartość, bo zastępuje ręczne dobieranie parametrów filtrów.
• Klasyfikacja jakościowa — identyfikacja surowców na bramie magazynu z użyciem Spectrally X1 PORTABLE. Klasyczna chemometria + biblioteka widm + nakładka CNN do dyskryminacji wariantów producenta.
• Predykcja stężeń w mieszaninach — gdy klasyczna PLS osiąga plateau, włączamy 1D-CNN trenowaną na danych z procesu. To narastający kapitał: im dłużej linia pracuje, tym większa baza widm, tym lepszy model.

Na poziomie sprzętu wszystkie warianty rodziny X1 korzystają z tej samej warstwy software Spectrally OS na Debianie 13.2, z eksportem CSV/PDF/RAW, RBAC i pełnym audit trail. Modele PLS, PCA i CNN są tu obywatelami równorzędnymi — wybór architektury robimy per aplikacja, nie per moda.

Najwięcej wdrożeń mamy w chemii procesowej — żywice fenolowo-formaldehydowe i mocznikowe, kosmetyki (SLES, gliceryna), nawozy (mocznik, biuret, RSM, AdBlue), kleje, węglowodory, ścieki. W branżach typu farmacja, baterie litowo-jonowe, wodór, półprzewodniki wchodzimy projektowo — po feasibility na próbkach klienta sprawdzamy, czy Raman z modelem chemometrycznym (PLS lub CNN) jest właściwą metodą dla danego analitu i matrycy, zanim klient zaangażuje CAPEX.

FAQ — najczęstsze pytania

Czy deep learning całkiem zastąpi PLS w chemometrii procesowej?
Nie. Najnowsze benchmarki pokazują, że PLS minimalnie wygrywa na ~83% zbiorów Ramana. Deep learning ma przewagę na dużych zbiorach o wysokim szumie i przy nieliniowych zależnościach matryca-analit. W praktyce procesowej PLS i CNN współistnieją — pierwszy jako szybko walidowalna baza, drugi jako uzupełnienie tam, gdzie liniowa chemometria osiąga plateau.

Jak długo trwa wytrenowanie sieci CNN dla nowego procesu?
Sam trening 1D-CNN na zbiorze kilkuset widm to godziny na GPU. Kosztowny jest etap zbierania danych referencyjnych — laboratoryjna walidacja stężeń, próbki pokrywające zakres operacyjny, próbki spoza zakresu (out-of-distribution). Realnie 6–12 tygodni od decyzji do działającego modelu na linii, podobnie jak przy klasycznej PLS.

Czy modele CNN są interpretowalne dla audytu jakościowego?
Tak, jeśli sieć ma warstwę attention lub stosujemy techniki post-hoc (Grad-CAM, SHAP dla widm). Attention map pokazuje, które pasma cm⁻¹ napędzają predykcję — można zweryfikować, czy zgadzają się z pasmami diagnostycznymi z literatury. W Spectrally OS ten audyt jest częścią workflow.

Czy Gekko Photonics wdraża deep learning także w farmacji i bioprodukcji?
Najwięcej wdrożeń mamy w chemii procesowej — żywice, kosmetyki, nawozy, kleje, węglowodory. W farmacji i bioprodukcji wchodzimy projektowo: na próbkach klienta sprawdzamy w cyklu feasibility, czy Raman jest właściwą metodą dla danego analitu i matrycy, zanim klient zaangażuje CAPEX. Ten sam stack Spectrally OS obsługuje wówczas zarówno PLS, jak i CNN.

Co z transferem modelu między różnymi spektrometrami?
Klasyczne metody (Direct Standardization, Piecewise DS) wymagają zwykle kilkudziesięciu próbek transferowych. Nowsze podejścia oparte na Low-Rank Adaptation potrafią to zredukować do kilku próbek — to ważne, gdy model wytrenowany w laboratorium na Spectrally X1 LAB przenosimy na inny egzemplarz Spectrally X1 INLINE stojący w innej instalacji.

Porozmawiajmy o Waszym procesie

U nas, w Gekko Photonics, każde wdrożenie chemometryczne zaczynamy od 30-minutowej rozmowy z inżynierem aplikacyjnym, podczas której ustalamy: jaki analit, jaka matryca, jakie są limity szumu i lepkości w procesie, jaką dokładność trzeba osiągnąć i czy istnieje już baza referencyjna. Jeśli decydujemy się na feasibility, wykonujemy pomiar testowy na próbkach klienta typowo w ciągu 2 tygodni od ich dostarczenia. Raport zawiera wstępną estymację modelu (PLS i CNN porównane na tych samych danych), oczekiwany RMSECV typowy dla danego zakresu i rekomendację wariantu sprzętu z rodziny analizatorów Spectrally X1.

Aby umówić rozmowę, skorzystaj z formularza na stronie kontaktowej. Zachęcamy również do przeglądu wcześniejszego artykułu o fotonice w Przemyśle 4.0 i kierunkach analityki procesowej, który pokazuje szerszy kontekst integracji modeli chemometrycznych z DCS i MES.