相关实验视频
Updated: Jul 12, 2025
07:30
Ensemble Force Spectroscopy by Shear Forces
Published on: July 26, 2022
1.6K
机器学习增强的抗选择性单射单分子ac Stark光谱学
Xiaowei Mu1, Chong Ye1, Xiangdong Zhang1
1Beijing Key Laboratory of Nanophotonics and Ultrafine Optoelectronic Systems, School of Physics, Beijing Institute of Technology, 100081 Beijing, China.
The journal of physical chemistry letters
|November 2, 2023
概括
机器学习增强了单分子奇拉性检测,使用选性ac Stark光谱学. 这种策略即使具有显著的分子脱凝,也能达到90%的准确性,克服了传统方法的局限性.
科学领域:
- 分析化学 分析化学
- 物理化学 物理化学
- 计算化学计算化学
背景情况:
- 单分子,单次射击的反抗区分对于理解化学反应,生物活性和药物功能至关重要.
- 分子脱凝导致光谱扩大,阻碍了用于单分子奇拉性分辨的传统手术方法.
研究的目的:
- 引入一种机器学习策略,以克服单分子性测量中的脱凝性挑战.
- 为了实现单个分子性的一次性测量,使用enantioselective ac Stark光谱学.
主要方法:
- 开发和应用一个机器学习策略.
- 使用选性ac Stark光谱学来检测分子性.
- 在显著分子脱凝的区域测试策略.
主要成果:
- 机器学习辅助的策略在标准AC Stark光谱法失败的地区实现了高正确分类率,约为90%的正确分类率.
- 该战略在培训和测试数据集之间的脱凝率变化方面表现出强度.
结论:
- 机器学习提供了一种强大的解决方案,使单一的,单个分子的奇拉性确定成为可能.
- 这种方法在存在分子脱凝时显著提高了手术测量的准确性和可靠性.
