الأخبار التكنولوجية والاستعراضات والنصائح!

تقدم ورقة الذكاء الاصطناعي هذه إطارًا تعليميًا عميقًا لتحديد المركبات المعدنية بدقة من أطياف رامان

ستساعدك المقالة التالية: تقدم ورقة الذكاء الاصطناعي هذه إطارًا تعليميًا عميقًا لتحديد المركبات المعدنية بدقة من أطياف رامان

تُستخدم طرق بصرية محددة ، بما في ذلك الأشعة تحت الحمراء لتحويل فورييه (FTIR) ، وتشتت بريلوين ، ومطياف رامان ، في التحليل الطيفي الاهتزازي. يمكن لنماذج التصنيف تحويل عناصر الإدخال (الأطياف) إلى المخرجات الضرورية للبيانات من التحليل الطيفي الاهتزازي (تعيينات الفئة). ليس من السهل إنشاء أداة التصنيف هذه ، ولكنها ستفيد العديد من الصناعات ، بما في ذلك أشباه الموصلات والأدوية والبوليمرات والطب الشرعي والعلوم البيئية والغذائية والطب. بالإضافة إلى ذلك ، غالبًا ما تحتاج بيانات التحليل الطيفي الاهتزازي إلى عمليات معالجة مسبقة مختلفة ومعقدة قبل القياسات الكيميائية. تم تعزيز متانة ودقة التحليلات متعددة المتغيرات المستقبلية ، كما يتم زيادة قابلية تفسير البيانات من خلال مجموعة متنوعة من تقنيات المعالجة المسبقة للبيانات التي تسمح بصعوبات جمع البيانات الطيفية.

يستخدم مطياف رامان الآن على نطاق واسع في مختلف القطاعات بسبب التحسينات الأخيرة في تطوير المعدات وتطوير موارد وبرامج حاسوبية أكثر قوة. تم تأسيس خطوط الأنابيب الهشة والمعالجة المسبقة هذه والموجهة من قبل الخبراء على بيانات تجريبية. ومع ذلك ، قد تختلف تقنيات المعالجة المسبقة اختلافًا كبيرًا اعتمادًا على النهج وهدف الدراسة أو غالبًا ما تكون مملوكة. نتيجة لذلك ، قد تؤدي طريقة المعالجة المسبقة التي تزيد من أداء نموذج أو نظام مادة واحد إلى تدهوره. تختلف أيضًا تأثيرات طريقة ما قبل المعالجة بشكل كبير اعتمادًا على عينة البيانات ، مما يستلزم في كثير من الأحيان مساعدة متخصص مؤهل. لضمان تحسين التعميم ، من الضروري التخلص من المعالجة المسبقة غير التقليدية الموجهة من قبل الخبراء.

يتم مساعدة الأطباء حاليًا من خلال التقنيات المحمولة أو المحمولة في تحديد المركبات الكيميائية غير المعروفة واكتشاف الخلايا الخبيثة. يتضمن التحليل الطيفي لرامان القليل من تحضير العينات ويقدم بصمات أصابع مميزة لجزيئات ومواد معينة. وبالمثل ، قد يحدد التحليل الطيفي لرامان حالات الخلل التي تؤثر بشكل كبير على خصائص المادة. في أكاسيد المعادن ، على سبيل المثال ، تمكن عيوب السطح الأنيونات والكاتيونات من تحمل مجموعة من حالات الشحن التي تدعم التحفيز الضوئي ، والحماية من التآكل ، وأجهزة الاستشعار ، والإلكترونيات الدقيقة ، وأجهزة التسجيل المغناطيسية ، والمواد المسامية. يمكن إجراء تفسيرات فردية حول طرق التحليل الطيفي. قد تؤدي المعالجة المسبقة اليدوية إلى تحيز بشري في البيانات ، مما يؤثر على النتائج أو كيفية تفسيرها.

لذلك ، هناك حاجة ملحة لتوفير أدوات حسابية أكثر موثوقية تمكن المستخدمين من تحليل أنماط الطيف بسرعة بطريقة أكثر اتساقًا وموثوقية (غير متحيزة). يجب أن يكون المرء متخصصًا على درجة عالية من الكفاءة لتحديد الخصائص الكيميائية والهيكلية بدقة من قراءات مطيافية رامان باستخدام الطرق التقليدية. تم نشر الشبكات العصبية التلافيفية (CNN) على نطاق واسع لاستخراج أنماط الميزات من البيانات المعقدة عالية الأبعاد. ومع ذلك ، يمكنهم تقليل الطلب على المعالجة المسبقة اليدوية كثيفة العمالة من قبل محترفين مؤهلين تأهيلا عاليا. قد يكشف التحليل الطيفي لرامان عن مواد أكثر تعقيدًا باستخدام أجهزة أكثر تكلفة (منخفضة الدقة) مع القليل من المعالجة المسبقة للبيانات أو بدونها بفضل نماذج CNN الآلية في الوقت الفعلي.

تقدم هذه الورقة نظامًا قويًا للتعلم العميق للتعرف الدقيق على كيميائي Raman الطيفي. في مجموعة بيانات RRUFF المتاحة للجمهور ، حققت دقة أعلى 1 بنسبة 99.12٪ ودقة أعلى 5 بنسبة 99.30٪ باستخدام النموذج المقترح. لقد أظهروا عمليات التحقق التجريبية من نموذجهم للكشف بشكل صحيح عن كل من Rutile و Anatase في العينات المركبة للتحقق من صحة النتائج التي توصلوا إليها. الأهم من ذلك ، أنها توفر أن النموذج المقترح يمكنه تحديد الأهداف بدقة دون الحاجة إلى معالجة مسبقة لبيانات الملكية الإضافية الموجهة من قبل الخبراء. يؤدي هذا إلى زيادة التوحيد القياسي وكفاءة التكلفة.