通过 UV 吸收和总荧光光谱学系统地研究了在加速储存条件下特级初榨橄榄油 (EVOO) 的氧化。本研究收集了大量数据，并提出了一种基于机器学习应用于高度聚合数据的监测油质量的方法。研究表明，荧光光谱学具有监测氧化效应和评估 EVOO 质量的能力，即使数据高度聚合也可以使用提出的方法进行。结果显示，利用荧光光谱学不需要复杂的实验室设备，成本效益高的解决方案可以由非科学家在野外使用，提供易于获取的 EVOO 质量评估。

Sep, 2023

该研究提出了一种新方法，利用预训练的视觉模型进行领域适应，并结合新的可解释性算法，以解决荧光光谱数据（尤其是激发 - 发射矩阵）分析中的挑战。通过对特定特征工程的神经网络的描述，我们现在能够更深入、更有意义地理解数据背后的物理化学过程。该方法通过对初榨橄榄油（EVOO）中的氧化过程进行分析来进行论证，展示了在预测质量指标和识别相关光谱带方面的有效性。该研究在光谱学领域中使用深度学习取得显著创新性结果，将其从黑盒转变为理解复杂生物和化学过程的工具。

Jun, 2024

通过生成橄榄树的自动标记的逼真 3D 模型，结合合成数据和少量真实数据的组合使用，该研究提出了一种能够改善橄榄检测的方法。

Aug, 2023

本文提出了一种利用化学特性信息的神经网络框架来提高化学物质成分预测性能，该框架包括 Watson K 因子估计网络和化学物质成分预测网络，并利用馏分模拟器获得馏分曲线，通过估计与模拟 Watson K 因子之间的损失函数，提高了 Watson K 因子估计和化学物质成分预测的性能。实验表明，该框架可以准确预测石油馏分的成分。

Jun, 2023

深度学习技术在香气化学品上的应用，能够比人工专家更准确地预测嗅觉特性。本研究旨在应用现有和新颖的方法，对由配对分子组成的数据集进行分析，提出一个公开可用的模型，能够准确预测由香气化学品混合物产生的非线性特性。

Dec, 2023

使用深度学习方法，利用近红外光谱数据，通过卷积神经网络从光谱数据中提取特征，数据预处理使用了标准的扩展乘性散射校正和新的光谱数据增强方法进行基准测试，结果表明数据扩增并结合扩展乘性散射校正的组合效果最佳。卷积神经网络模型在使用第二台仪器和未被训练数据覆盖的分析物浓度创建的外推挑战中表现优异，同时定性研究表明 CNNs 核激活与著名的数据处理方法（如平滑、斜率 / 导数、阈值和光谱区域选择）相似。

Oct, 2017

使用机器学习方法模拟嗅觉体验，通过实验证实香水感知的量化。研究通过建立香水分子结构与人类嗅觉感知的混合模型来实现，该模型包含利用图和生成性神经网络的人工智能分子生成器、气味强度的量化和预测，以及为所需香气精心调配最佳溶剂和分子组合。此外，基于热力学的模型建立了嗅觉感知和液相浓度之间的联系。该方法使用迁移学习，并根据蒸气压力和香气注释选择最合适的分子。最终，通过数学优化问题来最小化新的嗅觉体验与目标体验之间的差异。通过使用现有的实验数据复制两种不同的嗅觉体验来验证了该方法。

Feb, 2024

通过使用数字化工具和分析技术，例如化学计量学、机器学习、拉曼光谱、近红外光谱和质谱等，我们可以快速评估新产品对环境的潜在毒性，并可以精确鉴定和定量洗涤剂产品的成分，从而节省时间并改善污染物鉴定和污染评估的效率。

Oct, 2023

神经感知技术的进展使得我们能够以极大的细节观察嗅觉过程。本文从数据科学和人工智能的角度概念化嗅觉，将气味物质的特性与其在嗅觉系统中自鼻子到大脑的感应和分析联系起来。在与视觉感知的区别中，我们论述了嗅觉所面临的独特测量挑战，包括刺激的复杂性、感官装置的高维度特性，以及 “真实实地” 的界定。面对这些挑战，我们认为气味物质与受体间的相互作用对于嗅觉理论的发展具有核心地位。这种理论可能会在工业应用中得到广泛应用，并增加我们对嗅觉的理解，在更长远的未来，也会增进我们对其他感知和语言的理解。作为数据的初始用例，我们提出了使用基于机器学习的分类方法对记录在小鼠嗅觉球中的气味神经反应进行分类的结果。

Apr, 2024

Raman spectroscopy 及其化学计量学等算法对生物药物生产过程实时监控的应用进行了研究，并通过生成合成的 Raman 混合物数据集，比较了 4 种不同的算法，实证了卷积神经网络自动提取浓度信息的潜力，可用于提高药物生产的过程控制。

Jun, 2023