应用于洗涤剂的人工智能逆向工程:基于拉曼光谱学
使用机器学习算法结合携带式拉曼光谱仪直接识别和表征商业威士忌样品中乙醇 / 甲醇浓度,可实现超过 99% 的品牌识别准确性,并能通过瓶内光谱分析检测伪造或掺杂的酒精和其他高价值液体样品。
Sep, 2023
利用深度学习方法,通过获取最大的细菌 Raman 光谱数据集,成功实现对细菌病原体的快速识别和抗生素敏感性测试,证明了在不需要培养的情况下通过结合 Raman 光谱技术和深度学习方法对细菌菌株和抗生素抵抗性快速实现检测的潜力。
Jan, 2019
基于自编码神经网络的高光谱解混算法在化学计量学领域中可以更准确、更稳定、更高效地分离复杂混合物质,同时也适用于基于细胞的生物学研究中改进体积拉曼成像数据的生化特征分析。
Mar, 2024
深度学习技术与拉曼光谱学的结合在临床环境中具有潜力,能够精确快速地鉴定病原细菌。然而,传统的封闭集分类方法假设所有测试样本属于已知病原体,其适用性有限;本研究通过开发一种新颖的 ResNet 集成模型和注意机制,结合目标空间损失函数进行特征正则化,提高了病原体检测的准确性,并有效降低了误报率。该研究提出的拉曼光谱学算法能够检测未知、未编目和新出现的病原体,为适应未来可能出现的病原体提供了灵活性,并有潜力提高在动态操作环境(如公共安全应用)中拉曼光谱解决方案的可靠性。
Oct, 2023
该研究介绍了一种综合机器学习和传统方法的新型神经网络,RamanNet,用于分析 Raman 光谱数据,并证明其在公共数据集上表现优异,有潜力成为 Raman 光谱数据分析的标准。
Jan, 2022
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
通过扩散映射方法和依托于拉曼光谱的数据集,建立了三个机器学习流程来准确预测从拉曼光谱中得出的聚合物颗粒大小,其中包括直接扩散映射、交替扩散映射和一种名为对等自编码器神经网络的方法。对比现有技术方法,这些自编码器在预测聚合物大小方面取得了有希望的首次突破。
Mar, 2024
本研究提出了一种机器人拉曼系统,能够可靠地定位和界定嵌入到健康组织中的肿瘤,在模拟组织中建模为选择性注入金纳米星区域。此外,通过实现迁移学习,对比控制琼脂进行了金纳米星的验证分类,从而为基于拉曼的深度学习训练流程提供了概念验证。该研究在 10.2 分钟内重建了 30x60mm 的手术区域,并实现了 98.2% 的准确度。此外,还验证了拉曼系统和分类算法不是基于样本颜色,而是基于 SERS 试剂的存在。本研究在术中肿瘤学领域中智能拉曼系统的应用上迈出了关键一步。
Jan, 2024
本文提出了一种基于机器学习的策略来预测分子红外光谱的方法,建立在从头分子动力学模拟的基础上,利用各种机器学习技术加速模拟并扩展可处理的系统大小,其中包括环境依赖性神经网络电荷的分子偶极矩模型和 Behler 和 Parrinello 的神经网络势能。通过引入完全自动化的采样方案和神经网络势能训练期间的分子力,我们能够仅基于少量的电子结构参考点来获得非常精确的机器学习模型,同时在甲醇分子,含有多达 200 个原子的正构烷和质子化的丙氨酸三肽的情况下,将其应用于模拟红外光谱,并发现与理论和实验光谱具有出色的一致性。
May, 2017