大阪大學科學與工業(yè)研究所的科學家使用機器學習方法來增強當細球穿過切入硅基板的微觀納米孔時所收集數(shù)據的信噪比。當對DNA進行測序或檢測少量病原體時，這項工作可能會導致更加敏感的數(shù)據收集。
小型化為快速、少量樣品的快速診斷提供了廣泛的診斷工具，例如疾病的即時檢測。例如，未知顆?？梢酝ㄟ^使其穿過納米孔并記錄電流的微小變化來進行分析。但是，這些信號的強度可能非常低，并且經常被埋在隨機噪聲下。顯然需要用于提取有用信息的新技術。
現(xiàn)在，大阪大學的科學家已經使用深度學習對納米孔數(shù)據進行“去噪”。大多數(shù)機器學習方法需要使用許多“干凈”的示例進行訓練，然后才能解釋嘈雜的數(shù)據集。但是，使用最初為增強圖像而開發(fā)的稱為“ Noise2Noise”的技術，即使沒有可用的干凈數(shù)據，該團隊也能夠提高嘈雜運行的分辨率。深度神經網絡的作用類似于大腦中的分層神經元，可用來減少數(shù)據中的干擾。
深度學習可幫助研究人員在納米級物體的納米孔感測中找到電阻性脈沖信號中的隱藏特征。
第一作者Makusu Tsutsui說，深度降噪使我們能夠揭示出隨機波動隱藏的離子電流信號中的微弱特征。我們的算法旨在選擇最能代表輸入數(shù)據的特征，從而使計算機能夠檢測原始數(shù)據并從中減去噪聲。
重復該過程很多次，直到恢復基本信號為止。本質上，許多嘈雜的運行被用來產生一個干凈的信號。
高級作者Takashi Washio解釋說，我們的方法可能會擴展納米孔傳感的功能，從而快速、準確地檢測出感染疾病。即使?jié)撛谛盘柗浅Ｎ⑷?，這項研究也可能導致更準。
網站客服
粵公網安備 44030402000946號