간섭 환경에서의 강력한 화학 물질 검출을 위한 피크 인지 어텐션 기반 조건부 생성 프레임워크

Conditional Generative Framework with Peak-Aware Attention for Robust Chemical Detection under Interferences

기체 크로마토그래피-질량 분석법(GC-MS)은 화학 물질 검출에 널리 사용되는 분석 방법이지만, 간섭 물질의 존재 하에서는 측정 신뢰도가 저하되는 경향이 있습니다. 특히, 간섭 물질은 비특이적인 피크, 머무름 시간 변화, 그리고 증가된 배경 노이즈를 유발하여 감도를 감소시키고 오탐을 증가시킵니다. 이러한 문제점을 해결하기 위해, 본 논문에서는 GC-MS 측정의 신뢰도를 간섭 조건 하에서 향상시키기 위한 피크 인지 조건부 생성 모델 기반의 인공지능 판별 프레임워크를 제안합니다. 제안하는 프레임워크는 GC-MS 데이터의 특징적인 피크를 강조하는 새로운 피크 인지 메커니즘을 사용하여 학습되며, 이를 통해 중요한 스펙트럼 특징을 더욱 정확하게 생성할 수 있습니다. 또한, 화학 물질 및 용매 정보를 잠재 벡터에 인코딩하여, 조건부 생성 적대 신경망(CGAN)이 실험 조건과 일관된 합성 GC-MS 신호를 생성하도록 합니다. 이를 통해 실제 실험 없이 간접적인 물질 상황을 가정하는 화학 물질 데이터셋을 생성하여, 실제 실험 데이터 확보가 제한적인 상황에서 AI 기반 GC-MS 판별 모델 학습에 활용할 수 있습니다. 생성된 시뮬레이션 데이터에 대한 다양한 정량적, 정성적 평가를 통해 제안하는 프레임워크의 유효성을 검증합니다. 또한, 생성 모델이 AI 판별 프레임워크의 성능을 어떻게 향상시키는지 확인합니다. 대표적으로, 제안하는 방법은 피크 수의 다양성을 유지하면서 판별 모델의 오탐을 줄이고, 일관적으로 코사인 유사도 및 피어슨 상관 계수 값을 0.9 이상으로 달성하는 것으로 나타났습니다.

Gas chromatography-mass spectrometry (GC-MS) is a widely used analytical method for chemical substance detection, but measurement reliability tends to deteriorate in the presence of interfering substances. In particular, interfering substances cause nonspecific peaks, residence time shifts, and increased background noise, resulting in reduced sensitivity and false alarms. To overcome these challenges, in this paper, we propose an artificial intelligence discrimination framework based on a peak-aware conditional generative model to improve the reliability of GC-MS measurements under interference conditions. The framework is learned with a novel peak-aware mechanism that highlights the characteristic peaks of GC-MS data, allowing it to generate important spectral features more faithfully. In addition, chemical and solvent information is encoded in a latent vector embedded with it, allowing a conditional generative adversarial neural network (CGAN) to generate a synthetic GC-MS signal consistent with the experimental conditions. This generates an experimental dataset that assumes indirect substance situations in chemical substance data, where acquisition is limited without conducting real experiments. These data are used for the learning of AI-based GC-MS discrimination models to help in accurate chemical substance discrimination. We conduct various quantitative and qualitative evaluations of the generated simulated data to verify the validity of the proposed framework. We also verify how the generative model improves the performance of the AI discrimination framework. Representatively, the proposed method is shown to consistently achieve cosine similarity and Pearson correlation coefficient values above 0.9 while preserving peak number diversity and reducing false alarms in the discrimination model.