使用机器学习的化学品中的杂质的红外光谱辅助预测:朝着智能自动驾驶实验室的方向
Anastasiia M Kutskaia1, Konstantin S Rodygin1
1Institute of Chemistry, Saint Petersburg State University, Saint Petersburg, Russia. k.rodygin@spbu.ru.
自动驾驶实验室 (SDL) 的自动化合规检查使用红外光谱来监测化学纯度. 一个训练有素的神经网络准确地识别化合物纯度和功能组,确保安全的合成.
科学领域:
- 分析化学 分析化学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 化学品需要不断监测,因为它们的变化性质.
- 自动驾驶实验室 (SDL) 的手动合规性检查效率低下,应该自动化.
- 红外 (IR) 光谱是SDL中自动化合规性检查的合适工具.
研究的目的:
- 开发一种自动化方法来评估SDL中的化学纯度和标识,使用IR光谱.
- 训练一个神经网络,能够分析复杂的化合物混合物的IR光谱.
- 为了验证模型在生成和现实化学样本上的性能.
主要方法:
- 基于化学直觉生成复杂的化合物混合物的IR光谱.
- 训练了一个神经网络,使用这些生成的光谱来确定纯度和功能组.
- 从真实化学混合物中对红外光谱测试训练模型.
主要成果:
- 在生成的光谱上,在纯度 (0.94) 和功能组确定 (0.97) 上获得了高的F1分数.
- 在真实光谱上观察到出色的性能,纯度F1得分为0.95,功能组确定为0.99.
- 该模型成功地确定了化合物是否足够纯净以进行合成或需要净化.
结论:
- 开发的神经网络模型有效地分析红外光谱,以实现SDL中自动化化学合规.
- 这种方法通过确保化合物质量来提高机器人化学合成的安全性和效率.
- 红外光谱与机器学习相结合,为自动化实验室的实时质量控制提供了强大的解决方案.
更多相关视频
05:25Author Spotlight: Assessing Brain Activity in Robotic-Assisted Lower Limb Rehabilitation Using fNIRS
Published on: June 7, 2024
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Infrared (IR) Spectroscopy: Overview
Different compounds display unique properties due to their...
NMR Spectroscopy: Chemical Shift Overview
For instance, the proton...
Attenuated Total Reflectance (ATR) Infrared Spectroscopy: Overview
The ATR process begins by directing a beam...
Energy to Drive Translocation
Generally, polypeptides are unfolded by two distinct...
Predicting Molecular Geometry
Machines
A free-body diagram of the...
