可解释的机器学习加速纳米材料种子处理,缓解环境压力
大豆生产对生物和非生物胁迫非常敏感,极端天气事件加剧了这种胁迫。水限制胁迫,即干旱,成为大豆生产的一项重大风险,凸显了育种和生产中对压力监测的需求。本项目通过多模态信息的结合,以识别最有效和高效的自动化方法,探讨干旱响应的研究。我们以高通量时间序列表型分型的方式,通过使用无人机和传感器进行高通量时间序列表型分型,并结合机器学习分析,开发了快速分类大豆干旱胁迫症状的流程,并研究了早期干旱胁迫检测方法。我们发现红边和绿色波段对于分类植被枯萎胁迫是最有效的。在目视症状发展之前,红边叶绿素植被指数(RECI)成功区分了易感和耐旱的大豆资源。我们采用不同的植被指数的组合实现了早期检测大豆枯萎。这些结果可以为早期胁迫检测方法和育种和生产应用中的筛选苗圃快速分类干旱响应做出贡献。
Feb, 2024
本研究提出了一种自主实验平台,用于设计具有目标光学特性的纳米颗粒(NPs),并展示了该平台在银(Ag)NPs 合成中的应用,表明该平台能够高效地生成具有所需吸收光谱的 Ag NPs,并进一步揭示了柠檬酸调控竞争将会影响吸收光谱形状的新型化学知识。
Sep, 2023
该研究探索了 AI 在数据可用性限制下预测纳米颗粒形态的潜力,通过建立一个双倍于类似研究的新的多模态数据集,系统评估了经典机器学习和大型语言模型在纳米材料形状和尺寸预测方面的性能,并最后用一个文本到图像系统进行了原型设计,讨论了所得到的经验结果以及现有方法的局限性和潜力。
May, 2024
通过使用 Bayesian Physics-Informed Neural Network(B-PINN)框架,该研究演示了该工具提供的预测性洞见,以开发高效的地下水修复策略。
Aug, 2023
使用机器学习技术结合高分辨率透射电子显微镜等方法进行纳米材料表征的研究,通过构建复杂的纳米尺度原子结构,生成大规模的模拟数据库用于训练神经网络,实现对纳米颗粒的分割并探索数据整理过程中不同因素对模型性能的影响。使用纯合成数据能够在实验基准上取得业内领先的纳米颗粒分割性能,并通过实验结果提出了在实验设置中稳定实现高性能的机器学习策略。
Sep, 2023
固态材料的表面性质对其功能起着重要作用,表面性质是由材料合成或操作条件决定的,计算表面科学方法和机器学习算法在研究复杂的纳米尺度的无机表面具有很大的潜力。
Dec, 2023
基于遗传算法提出的自动化类别特定数据增强方法对大豆叶片应激分类任务表现出良好的性能,是一种在混淆数据集环境下植物应激分类领域中数据增强策略的重要进展。
Jun, 2024
使用机器学习插值位能函数和 Markov-chain Monte Carlo 采样方法,加快了多组分材料表面相图预测中的能量和统计抽样方法,可模拟复杂的材料表面并发现以前未报告的表面终止。
May, 2023
本研究使用多模态数据,比如 RGB 和热成像数据,基于香蕉幼苗研究了非生物胁迫的预测方法,神经网络可以高达 90%的准确率预测不同处理组中的植物状态。
Nov, 2020
研究表明,使用动态,加权物理推断神经网络(dw-PINN)框架来建模水系中纳米颗粒的动态行为,可以对开发高效的地下水修复策略提供预测性见解,同时相对均方误差(MSE)值收敛到一个最小值。
Oct, 2022