식용 곤충은 기존 가축보다 토지 및 물 사용량이 적고 온실가스 배출량이 적어 효율적인 대체 단백질 공급원을 제공합니다. 그러나 식품 공급망에 성공적으로 통합되기 위해서는 알레르기 유발 물질 노출을 제어하고, 혼입을 방지하며, 규제 표준을 충족하기 위한 신뢰할 수 있는 종 인증 (species authentication)이 필요합니다. 근적외선 분광법 (Near-infrared spectroscopy)은 신속한 분석 도구를 제공하지만, 분광 측정의 배치 간 변동 (batch-to-batch variation)으로 인해 학습 과정에서 보지 못한 생산 배치에 적용될 경우 성능이 저하됩니다. 우리는 Savitzky-Golay 필터링으로 초기화된 학습 가능한 전처리 모듈과 배치 특유의 스펙트럼 변동을 억제하기 위한 엔트로피 정규화 적대적 목적 함수 (entropy-regularised adversarial objective)를 결합한 엔드투엔드 (end-to-end) 프레임워크인 배치 불변 스펙트럼 네트워크 (Batch-Invariant Spectral Network, BISN)를 소개합니다. 특징 추출 후에만 도메인 적응 (domain adaptation)을 강제하는 도메인 적대적 신경망 (Domain-Adversarial Neural Networks)과 달리, BISN은 종 특이적 특징이 학습되기 전에 배치 효과 (batch-effects)를 억제합니다. 세 개의 독립적인 생산 배치에서 수집된 세 종 (Acheta domesticus, Hermetia illucens, Tenebrio molitor)의 2,700개 스펙트럼을 사용하여, BISN은 0.93의 평균 leave-one-batch-out 정확도 (표준 편차 0.04)를 달성하였으며, 이는 가장 강력한 베이스라인보다 4% 더 높은 성능입니다. 설명 가능한 AI (explainable AI)를 통해 얻은 추가적인 통찰은 모델의 결정이 모든 폴드 (fold)에 걸쳐 지질 (lipid) 및 단백질 (protein) 흡수 영역에 일관되게 의존함을 확인시켜 주며, 이는 예측 성능을 알려진 곤충 생화학 (insect biochemistry)과 연결합니다. BISN은 실제 산업 조건 하에서의 자동화된 곤충 종 인증을 위해 배치 간 강건성 (cross-batch robustness)과 생화학적 해석 가능성 (biochemical interpretability)을 모두 해결합니다. 소스 코드와 데이터셋은 https://github.com/majharB/bisn 에서 공개적으로 사용할 수 있습니다.