Tutorial
欢迎使用 SpectrumLab！本教程将帮助你快速了解谱学分析、SpectrumLab 平台以及如何使用它来评估大语言模型在光谱学任务上的表现。
什么是谱学？
谱学（Spectroscopy）是研究物质与电磁辐射相互作用的科学分支。通过分析物质吸收、发射或散射的光谱，我们可以获得关于物质结构、组成和性质的详细信息。
谱学的重要性
谱学在现代科学中具有重要地位，它通过分析物质与电磁辐射的相互作用，为理解物质的组成、结构和性质提供了关键手段。在化学中，谱学用于分子结构解析和反应机理研究；在材料科学中，它能表征纳米材料并进行表面分析；在生物学中，则用于研究蛋白质折叠和代谢物检测。同时，谱学在临床医学中也被广泛应用，如通过光谱技术实现无创诊断和疾病早期检测，使其成为现代科学研究和应用中不可或缺的工具。
常见谱学技术
- 红外光谱（IR）：分析分子振动，识别官能团。IR 谱特征吸收峰（如 C=O、O–H、C–H 等）在特征频率范围内具有标志性，是判断官能团的核心工具
- 核磁共振（NMR）：通过化学位移、信号强度和偶合常数提供分子中原子环境和结构连接信息，常用于确定分子结构（尤其有机化合物）
- 紫外-可见光谱（UV-Vis）：研究分子的电子跃迁和共轭体系，尤其用于判断电子结构、共轭长度和光学性质，不直接提供结构连接信息
- 质谱（MS）：测定分子量并通过碎片组合推断分子结构，是判断分子组成和次级结构的重要工具
- 拉曼光谱（Raman）：提供分子振动信息，能识别与 IR 类似的化学键振动，尤其对对称分子和无极性键敏感，经常作为 IR 的互补方法
- HSQC 谱图：一种二维 NMR（^1H–^13C 或 ^1H–^15N）实验，每个交叉点代表一个直接键连接的质子–杂核对，可用于明确 ^1H–^13C（或 ^15N）一键归属，辅助峰归属和结构解析
什么是 SpectrumLab？
概述
SpectrumLab 是一个开创性的统一平台和综合工具包，为加速和系统化化学光谱学领域的深度学习研究而设计。它旨在简化从数据预处理到模型评估的整个 AI 驱动的光谱学研究生命周期，为研究人员和开发者提供一个模块化、可扩展且易于使用的 Python 库和工具生态系统，以推动光谱学领域的人工智能研究和应用。
核心功能
模块化与可扩展架构
SpectrumLab 采用灵活的模块化设计，其核心组件包括：
- 基准测试组 (Benchmark Group)：将 SpectrumBench 数据集进行分层组织，支持多种光谱模态和任务类型，并允许用户根据需求灵活组合，创建定制化的评测任务
- 模型集成 (Model Integration)：提供统一的框架和标准化的 API，可以无缝接入和评测各类外部模型，无论是商业闭源模型（如 GPT-4o）还是本地部署的开源模型
- 评估器 (Evaluator)：作为评估引擎的核心，支持根据不同任务（如选择题、生成题）定制评估指标和协议，确保评估的严谨性和任务适应性
全面的工具链生态系统
提供一个通过 PyPI 分发的 Python 库，集成了数据处理、模型开发、自动评估和可视化等核心模块，极大地简化了整个研究工作流程。
自动化基准生成 (SpectrumAnnotator)
紧密集成了创新的 SpectrumAnnotator 组件，该组件能利用先进多模态大模型的推理能力，从种子数据集自动生成高质量、多样化的基准测试数据，高效构建评测任务。
公开排行榜 (Leaderboards)
为确保透明度和可复现性，SpectrumLab 建立了一个公开的排行榜系统。该系统系统地追踪和比较各类模型在所有 14 项任务上的性能表现，促进公平竞争和领域的共同进步。