近日，广州分子信息正式发布自主研发的两项化学人工智能技术——TauNet 与 OGCNet。相关技术及资料已通过公司网站 fzxx.info 和 GitHub 平台公开发布，标志着公司在人工智能与复杂化学系统分析的交叉领域取得新的阶段性进展。
长期以来，人工智能在化学领域的应用主要集中于分子性质预测、谱图识别和数据拟合。然而，面对色谱、质谱以及其他复杂化学观测数据，仅仅提高计算速度或扩大模型规模，并不能完全解决实际问题。算法首先需要回答的是：哪些信号值得被观察，观察应当在何处停止，以及哪些信息应当进入后续计算。
广州分子信息认为，化学人工智能的发展不应局限于“对已有数据进行计算”，还应进一步学习化学专业人员在长期实践中形成的观察逻辑和判断标准，将原本依赖经验的隐性知识转化为可以定义、训练和验证的数学模型。
基于这一技术方向，公司开发了 TauNet 与 OGCNet。
TauNet 是围绕 Observation Deviation（观测偏差，τ）建立的轻量化神经网络。τ 用于描述候选信号相对于局部观测背景的偏差程度，并为弱信号是否仍具有可观测性提供量化依据。TauNet 的意义并不只是识别一个峰或输出一个数值，而是尝试让人工智能学习专业分析人员对于“信号是否仍然值得观察”的判断。
OGCNet 则建立在 Observation Guided Composition（观测引导的组成解析）思想之上。它强调在复杂化学数据处理中，应当先确定有效观测范围，再进入计算和组成解析。通过局部观察、递归处理和逐层提取，OGCNet 面向强弱信号共存、组分重叠及复杂背景等实际场景，为复杂化学体系中的信息发现与组成表征提供新的技术路径。
两项技术共同构成了一条清晰的技术主线：
TauNet 研究“什么仍然可以被观察”，OGCNet研究“如何依据观察组织计算”。
这意味着广州分子信息正在推动化学人工智能从单纯的数据处理工具，进一步发展为能够理解观测边界、组织分析过程并辅助专业判断的技术系统。
TauNet 与 OGCNet 均采用轻量化设计，重视实际部署能力、跨数据应用潜力和计算效率。公司坚持“以算代硬”的技术理念：在保障有效观测和分析质量的前提下，通过算法提升复杂信号的解析能力，降低对高成本硬件条件和过度实验控制的依赖，使先进的化学分析能力能够在更多实际场景中应用。
相关研究可进一步服务于 GC–MS、LC–MS、天然产物、中药、食品与饮料、香精香料、材料、生物分析以及电子化学品等领域。其长期目标，是建立从复杂化学数据的观测、解析、表征，到设计与重构的智能化技术链条。
此次公开发布不仅是两个神经网络模型的推出，也是广州分子信息长期技术方向的一次集中呈现。公司将持续推进人工智能、分析化学、信息科学与复杂系统研究的交叉融合，把专业人员的经验判断转化为可度量、可学习、可验证和可部署的计算方法。
广州分子信息希望通过这些工作，为化学人工智能建立新的技术起点：让 AI 不仅能够计算化学数据，更能够理解人为什么观察、观察什么，以及何时开始计算。
相关链接
GitHub：https://github.com/marmotteo
发表回复