从化学实验室到人工智能，定量分析精度提升 10 倍
将矿石研磨、溶解，用化学试剂逐一检测各元素含量。精度高（误差 <1%），但耗时数小时至数天，需要专业化学实验室，无法用于现场。
XRF、LIBS 等光谱仪器实现了快速测量。但定量依赖人工建立"谱线强度 → 浓度"的校准曲线。每换一种矿石基体，需重新标定。精度：SiO₂ RMSEP 约 5-10 wt%。
利用多元统计和集成学习，从全光谱提取信息。比人工定标更鲁棒，能部分处理基体效应。但仍需手动特征工程，且对复杂非线性关系建模能力有限。精度：SiO₂ RMSEP 约 5-7 wt%。
端到端学习全光谱到成分的映射。Self-attention 自动发现任意波长间的关联，无需人工选峰。一个模型同时预测所有元素，自适应处理基体效应。精度：SiO₂ RMSEP 约 3-5 wt%（大数据量时）。
结合 LIBS + 高光谱图像 + 矿物学知识库，AI 不仅预测成分，还能推断矿物种类、成因环境、经济价值。具备对话能力，回答"这块矿石适合做什么？"等问题。
| 维度 | 湿化学 | 人工定标 | 机器学习 | 深度学习（有矿） |
|---|---|---|---|---|
| 分析速度 | 数小时 | 数分钟 | 数分钟 | < 1 秒 |
| SiO₂ 精度 | <1 wt% | 5-10 wt% | 5-7 wt% | 3-5 wt%* |
| 样品制备 | 复杂 | 简单/无 | 简单/无 | 无 |
| 换基体适应性 | 好 | 需重标 | 部分 | 自适应 |
| 多元素同时 | 逐一 | 逐一 | 逐一 | 8 种同时 |
| 人工干预 | 大量 | 中等 | 中等 | 极少 |
| 适合场景 | 实验室 | 实验室/现场 | 实验室 | 产线/野外/实验室 |
* 3-5 wt% 为大规模数据训练后的预期精度；当前 Demo 使用 58 个标样，实测约 8 wt%。
扩展训练数据至 400+ 标样，预期主量元素精度达到国际领先水平（SiO₂ RMSEP < 5 wt%）。支持微量元素（Mn, Li, Sr 等）检测。
多模态融合：LIBS 光谱 + 样品外观图像 + 高光谱数据联合建模。不仅输出成分，还能判断矿物种类和岩石类型。
矿石分析智能体：具备对话能力，用户可以问"这块矿石的经济价值如何？""适合什么工业用途？""与哪个矿床的成分接近？"。将成分分析与地质知识库结合，从工具升级为决策辅助。
上传一条 LIBS 光谱，秒出成分分析结果
开始分析 →