論文の概要: Assessing the Performance of 1D-Convolution Neural Networks to Predict
Concentration of Mixture Components from Raman Spectra
- arxiv url: http://arxiv.org/abs/2306.16621v1
- Date: Thu, 29 Jun 2023 01:41:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-30 15:05:06.027215
- Title: Assessing the Performance of 1D-Convolution Neural Networks to Predict
Concentration of Mixture Components from Raman Spectra
- Title（参考訳）: ラマンスペクトルからの混合成分濃度予測のための1次元畳み込みニューラルネットワークの性能評価
- Authors: Dexter Antonio, Hannah O'Toole, Randy Carney, Ambarish Kulkarni, Ahmet
Palazoglu
- Abstract要約: ラマン分光法の新たな応用は、生薬製造中の化学反応器の状態を監視することである。
化学計測アルゴリズムは、反応が進行するにつれてバイオリアクターの複雑な混合物から生成されるラマンスペクトルを解釈するために用いられる。
特定のバイオリアクター環境に最適なアルゴリズムを見つけることは、ラマン混合データセットが不足しているため困難である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An emerging application of Raman spectroscopy is monitoring the state of
chemical reactors during biologic drug production. Raman shift intensities
scale linearly with the concentrations of chemical species and thus can be used
to analytically determine real-time concentrations using non-destructive light
irradiation in a label-free manner. Chemometric algorithms are used to
interpret Raman spectra produced from complex mixtures of bioreactor contents
as a reaction evolves. Finding the optimal algorithm for a specific bioreactor
environment is challenging due to the lack of freely available Raman mixture
datasets. The RaMix Python package addresses this challenge by enabling the
generation of synthetic Raman mixture datasets with controllable noise levels
to assess the utility of different chemometric algorithm types for real-time
monitoring applications. To demonstrate the capabilities of this package and
compare the performance of different chemometric algorithms, 48 datasets of
simulated spectra were generated using the RaMix Python package. The four
tested algorithms include partial least squares regression (PLS), a simple
neural network, a simple convolutional neural network (simple CNN), and a 1D
convolutional neural network with a ResNet architecture (ResNet). The
performance of the PLS and simple CNN model was found to be comparable, with
the PLS algorithm slightly outperforming the other models on 83\% of the data
sets. The simple CNN model outperforms the other models on large, high noise
datasets, demonstrating the superior capability of convolutional neural
networks compared to PLS in analyzing noisy spectra. These results demonstrate
the promise of CNNs to automatically extract concentration information from
unprocessed, noisy spectra, allowing for better process control of industrial
drug production. Code for this project is available at
github.com/DexterAntonio/RaMix.
- Abstract（参考訳）: ラマン分光法の新たな応用は、生薬製造中の化学反応器の状態を監視することである。
ラマンシフト強度は化学種の濃度と線形にスケールするため、非破壊光照射を無ラベルでリアルタイム濃度を解析的に決定することができる。
化学計測アルゴリズムは、反応が進行するにつれてバイオリアクターの複雑な混合物から生成されるラマンスペクトルを解釈するために用いられる。
特定のバイオリアクター環境に最適なアルゴリズムを見つけることは、ラマン混合データセットが不足しているため困難である。
RaMix Pythonパッケージは、制御可能なノイズレベルを持つ合成Raman混合データセットの生成を可能にして、リアルタイム監視アプリケーションに対するさまざまな化学アルゴリズムタイプの有用性を評価することで、この問題に対処している。
このパッケージの能力を実証し、異なる化学アルゴリズムの性能を比較するために、RaMix Pythonパッケージを使用して48のシミュレーションスペクトルデータセットを生成した。
4つのテストアルゴリズムには、部分最小二乗回帰(PLS)、単純なニューラルネットワーク、単純な畳み込みニューラルネットワーク(単純なCNN)、ResNetアーキテクチャ(ResNet)を備えた1D畳み込みニューラルネットワークが含まれる。
plsと単純なcnnモデルの性能は同等であることが判明し、plsアルゴリズムはデータセットの83\%で他のモデルよりもわずかに優れていた。
単純なcnnモデルは、大きな高ノイズデータセット上で他のモデルよりも優れており、畳み込みニューラルネットワークのノイズスペクトルの解析におけるplsよりも優れた能力を示している。
これらの結果から,cnnは無加工のノイズスペクトルから濃度情報を自動的に抽出し,産業用医薬品製造のプロセス制御を向上できる可能性が示唆された。
このプロジェクトのコードはgithub.com/DexterAntonio/RaMixで入手できる。
関連論文リスト
- Hyperspectral Image Classification Based on Faster Residual Multi-branch Spiking Neural Network [6.166929138912052]
本稿では,HSI分類タスクのための漏洩統合火災ニューロンモデルに基づくスパイキングニューラルネットワーク(SNN)を構築する。
SNN-SWMRでは、タイムステップの約84%、トレーニング時間、テストタイムの約63%と70%を同じ精度で削減する必要がある。
論文 参考訳（メタデータ） (2024-09-18T00:51:01Z) - Data Augmentation Scheme for Raman Spectra with Highly Correlated
Annotations [0.23090185577016453]
統計的に独立なラベルを持つデータセットから追加のデータポイントを生成するために、スペクトルの付加的な性質を利用する。
これらのデータポイント上でCNNをトレーニングすることで、アノテーションがモデルトレーニングに使用されたデータセットと同じ相関関係を持たないデータセットのパフォーマンスが向上することを示す。
論文 参考訳（メタデータ） (2024-02-01T18:46:28Z) - Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳（メタデータ） (2023-10-17T01:05:28Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Signal Processing for Implicit Neural Representations [80.38097216996164]
Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。
既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。
本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
論文 参考訳（メタデータ） (2022-10-17T06:29:07Z) - Parameter estimation for WMTI-Watson model of white matter using
encoder-decoder recurrent neural network [0.0]
本研究では,ラットおよびヒト脳のデータセット上でのNLLS,RNN法および多層パーセプトロン(MLP)の性能を評価する。
提案手法は,NLLSよりも計算時間を大幅に短縮できるという利点を示した。
論文 参考訳（メタデータ） (2022-03-01T16:33:15Z) - Simpler is better: spectral regularization and up-sampling techniques
for variational autoencoders [1.2234742322758418]
ニューラルネットワークに基づく生成モデルのスペクトル挙動のキャラクタリゼーションは未解決のままである。
最近の研究は、生成的対向ネットワークと、実画像と生成画像の高周波の相違に重点を置いている。
変分オートエンコーダ(VAE)のための単純な2次元フーリエ変換に基づくスペクトル正規化損失を提案する。
論文 参考訳（メタデータ） (2022-01-19T11:49:57Z) - Classification of diffraction patterns using a convolutional neural
network in single particle imaging experiments performed at X-ray
free-electron lasers [53.65540150901678]
X線自由電子レーザー(XFEL)における単一粒子イメージング(SPI)は、その自然環境における粒子の3次元構造を決定するのに特に適している。
再建を成功させるためには、単一のヒットに由来する回折パターンを多数の取得パターンから分離する必要がある。
本稿では,この課題を画像分類問題として定式化し,畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて解決することを提案する。
論文 参考訳（メタデータ） (2021-12-16T17:03:14Z) - Spectral Complexity-scaled Generalization Bound of Complex-valued Neural
Networks [78.64167379726163]
本論文は,複素数値ニューラルネットワークの一般化を証明した最初の論文である。
複雑な値の畳み込みニューラルネットワークを異なるデータセット上でトレーニングして実験を行う。
論文 参考訳（メタデータ） (2021-12-07T03:25:25Z) - NeRF in detail: Learning to sample for view synthesis [104.75126790300735]
ニューラルレイディアンス場(NeRF)法は目覚ましい新しいビュー合成を実証している。
この作業では、バニラ粗大なアプローチの明確な制限に対処します -- パフォーマンスに基づいており、手元にあるタスクのエンドツーエンドをトレーニングしていません。
我々は、サンプルの提案と、そのネットワークにおける重要性を学習し、そのニューラルネットワークアーキテクチャに対する複数の代替案を検討し比較する、微分可能なモジュールを導入する。
論文 参考訳（メタデータ） (2021-06-09T17:59:10Z) - Identification of complex mixtures for Raman spectroscopy using a novel
scheme based on a new multi-label deep neural network [0.0]
本稿では,定数ウェーブレット変換(CWT)と複雑な混合物を分類するためのディープネットワークに基づく新しいスキームを提案する。
次に、多ラベルディープニューラルネットワークモデル(MDNN)を材料分類に適用する。
本モデルから得られた平均検出時間は5.31秒であり,従来提案したモデルよりもはるかに高速である。
論文 参考訳（メタデータ） (2020-10-29T14:58:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。