کاربردهای هوش مصنوعی در طیف سنجی

کاربردهای هوش مصنوعی در طیف سنجی

 استفاده از هوش مصنوعی در طیف‌سنجی هم برای حذف نویز و مصنوعات نامطلوب موجود در سیگنال‌های طیفی مرتبط و هم برای انجام یک تجزیه و تحلیل شیمیایی دقیق و کارآمد از داده‌های طیفی قدرتمند ثابت شده است. DL همچنین برای غلبه بر تعصب کالیبراسیون ابزاری طیف‌سنج‌ها، که ممکن است به شدت بر قابلیت اطمینان تفسیر شیمیایی تأثیر بگذارد، استفاده شد. این بخش ابتدا بر حذف نویز طیفی مبتنی بر هوش مصنوعی که در طیف‌سنجی غیرخطی ارتعاشی و طیف‌سنجی فوق سریع پمپ-کاوشگر اعمال می‌شود، تمرکز خواهد کرد. سپس اشکالات اصلی روش‌های شیمی‌سنجی طیفی مرسوم و کاربردهای DL با هدف غلبه بر چنین مسائلی را شرح می‌دهد، و رویکردهای سرتاسری را ارائه می‌کند که می‌توانند از دقت پردازش داده‌های سنتی پیشی بگیرند در حالی که مستقیماً روی داده‌های خام انجام می‌شوند. به طور خاص، روش‌های شیمی‌سنجی DL را بررسی خواهیم کرد که هم طیف‌های 1 بعدی و هم تصاویر طیفی سه بعدی را بررسی می‌کنند. در نهایت، بخش آخر یک رویکرد مبتنی بر هوش مصنوعی برای دستیابی به طیف‌سنج‌های کالیبراسیون-اگنوستیک را بررسی می‌کند.

CNN ها متداول ترین مدل هوش مصنوعی در طیف سنجی را تشکیل می دهند. شایان ذکر است که علیرغم اینکه تصاویر دوبعدی نوع داده اصلی را تشکیل می دهند که CNN ها بر روی آنها اعمال شده اند و برای آن در بین جامعه علمی محبوب شده اند، خواننده در این بخش می بیند که چگونه این مدل ها بر روی طیف های تک تک بعدی یک بعدی نیز کار می کنند. . در واقع، توانایی لایه‌های کانولوشن برای استخراج الگوهای پنهان از ورودی ماتریس خود، صرف نظر از ابعاد خاص چنین ماتریسی، یک گزاره معتبر است. هسته‌های 1 بعدی که بر روی ورودی‌های 1 بعدی پیچیده شده‌اند، نمونه‌ای عجیب از هسته‌های دوبعدی هستند که بر روی ورودی‌های دوبعدی پیچیده شده‌اند، به طوری که وظیفه استخراج ویژگی به شیوه‌ای کاملا مشابه و با عملکرد عالی قابل مقایسه با هسته‌هایی که در امتداد یک جهت می‌لغزند به‌عنوان دیگری واحد انجام می‌شود. .