論文の概要: Nonlinear Manifold Learning Determines Microgel Size from Raman Spectroscopy

• arxiv url: http://arxiv.org/abs/2403.08376v1
• Date: Wed, 13 Mar 2024 09:39:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-14 15:16:23.888401
• Title: Nonlinear Manifold Learning Determines Microgel Size from Raman Spectroscopy
• Title（参考訳）: ラマンからマイクロゲルサイズを決定する非線形マニフォールド学習 分光
• Authors: Eleni D. Koronaki, Luise F. Kaven, Johannes M. M. Faust, Ioannis G. Kevrekidis, and Alexander Mitsos
• Abstract要約: 近年のアプローチでは、ラマン信号と粒子径の相関を示すが、ラマン測定からポリマーのサイズを正確にかつ確実に決定することができない。 本稿では,拡散マップ,交互拡散マップ,共形オートエンコーダネットワークを含む3つの機械学習手法を提案する。 共形オートエンコーダはラマンスペクトルからのポリマーサイズ予測において、最先端の手法と結果を大きく上回った。
• 参考スコア（独自算出の注目度）: 40.325359811289445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Polymer particle size constitutes a crucial characteristic of product quality in polymerization. Raman spectroscopy is an established and reliable process analytical technology for in-line concentration monitoring. Recent approaches and some theoretical considerations show a correlation between Raman signals and particle sizes but do not determine polymer size from Raman spectroscopic measurements accurately and reliably. With this in mind, we propose three alternative machine learning workflows to perform this task, all involving diffusion maps, a nonlinear manifold learning technique for dimensionality reduction: (i) directly from diffusion maps, (ii) alternating diffusion maps, and (iii) conformal autoencoder neural networks. We apply the workflows to a data set of Raman spectra with associated size measured via dynamic light scattering of 47 microgel (cross-linked polymer) samples in a diameter range of 208nm to 483 nm. The conformal autoencoders substantially outperform state-of-the-art methods and results for the first time in a promising prediction of polymer size from Raman spectra.
• Abstract（参考訳）: 高分子粒子サイズは、重合における製品品質の重要な特徴である。 ラマン分光法は、インライン濃度モニタリングのための確立され信頼性の高いプロセス解析技術である。 近年のアプローチといくつかの理論的考察は、ラマン信号と粒子径の相関を示すが、ラマン分光測定からポリマーの大きさを正確にかつ確実に決定するものではない。 このことを念頭に置いて,この課題を遂行するための3つの機械学習ワークフローを提案する。 (i)拡散地図から直接。 (二)拡散図の交互化、及び 三 共形自己エンコーダニューラルネットワーク 直径208nmから483nmの47マイクロゲル(架橋ポリマー)試料の動的光散乱によって測定されたRamanスペクトルのデータセットにワークフローを適用した。 共形オートエンコーダはラマンスペクトルからのポリマーサイズ予測において、最先端の手法と結果を大きく上回った。

関連論文リスト

• Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
  本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。 提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
  論文  参考訳（メタデータ） (2023-11-30T13:50:21Z)
• Machine Learning Assisted Inverse Design of Microresonators [0.0]
  本稿では,マイクロ共振器の形状を分散プロファイルから決定するツールとして,機械学習(ML)アルゴリズムを実演する。 460サンプルのトレーニングデータセットを有限要素シミュレーションにより生成し, 統合窒化ケイ素マイクロ共振器を用いて実験的に検証した。
  論文  参考訳（メタデータ） (2022-11-10T07:55:22Z)
• Comparing Spectroscopy Measurements in the Prediction of in Vitro Dissolution Profile using Artificial Neural Networks [0.0]
  溶解試験は、医薬品産業における新製品の承認に欠かせない製品品質の一部である。 分光データに基づく溶解プロファイルの予測は、現在の破壊・時間的手法に代わるものである。 ラマンと近赤外分光法(英: Raman and near-infrared spectroscopies)は、錠剤の物理的および化学的特性に関する情報を提供する2つの高速で相補的な方法である。
  論文  参考訳（メタデータ） (2022-10-19T04:34:04Z)
• Calculating non-linear response functions for multi-dimensional electronic spectroscopy using dyadic non-Markovian quantum state diffusion [68.8204255655161]
  本稿では,分子集合体の多次元電子スペクトルと電子励起を結合した構造環境下でのシミュレーション手法を提案する。 このアプローチの重要な側面は、NMQSD方程式を2重系ヒルベルト空間で伝播するが、同じ雑音を持つことである。
  論文  参考訳（メタデータ） (2022-07-06T15:30:38Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• All-optical probe of three-dimensional topological insulators based on high-harmonic generation by circularly-polarized laser fields [3.2168123566725897]
  高次高調波発生過程を通じて, 原型3次元トポロジカル絶縁体Bi$Se$_3$からの非線形光学応答の観測を行った。 意味するところは、トポロジカル相転移の超高速な探索、光場駆動の無散逸電子、量子計算である。
  論文  参考訳（メタデータ） (2021-09-30T17:35:10Z)
• Molecular structure retrieval directly from laboratory-frame photoelectron spectra in laser-induced electron diffraction [0.33256372159758324]
  発振分子干渉散乱信号における臨界点の同定に基づく簡単な分子探索法を提案する。 本研究では, 両手法が非対称に伸縮し, 屈曲した非対称なトップ分子カルボニルスルフィドの配置を正しく取り出すことを示す。
  論文  参考訳（メタデータ） (2021-07-01T08:55:14Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Spectrally multimode integrated SU(1,1) interferometer [50.591267188664666]
  提示された干渉計は、2つの光子源間の偏光変換器を含み、連続波(CW)ポンプを使用する。 この構成は、古典的限界以下の出力領域と超感度領域において、ほぼ完全な破壊的干渉をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-12-07T14:42:54Z)
• Use of Machine Learning for unraveling hidden correlations between Particle Size Distributions and the Mechanical Behavior of Granular Materials [0.0]
  データ駆動型フレームワークを用いて多分散粒子の高密度充填体のマクロ力学的挙動を予測した。 数百のDEMシミュレーションでトレーニングされた人工ニューラルネットワークスキームは、これらのPSDのモデルパラメータの値を予測することができた。
  論文  参考訳（メタデータ） (2020-06-10T08:04:59Z)

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。