NMR och maskininlärning
De senaste åren har AI och maskininlärning lett till imponerande framsteg inom många fält, inklusive NMR-spektroskopi.
Den karakteristiska egenskapen hos maskininlärnings-neurala nätverk är deras förmåga att etablera väsentliga korrelationer mellan indata och utdata och därigenom hämta relevant mångfacetterad tidigare känd information, t.ex. om NMR-signalen, som är svår att formulera i en analytisk form och bädda in i en datoralgoritm.
På Svenskt NMR-centrum presenterar vi ett nytt djupt neural nätverk baserat på WaveNet-arkitekturen (WNN), som är utformat för att fånga specifika mönster i 2D NMR-spektra. I avseende rekonstruktion av non-uniform sampling (NUS) spektra så är WNN tränat med ett fast NUS-schema det första verktyget som specifikt använder PSF som tidigare känd kunskap vid rekonstruktion av NUS-spektra. Mönsterigenkänning med WNN demonstreras också för framgångsrik virtuell dekoppling i ett 2D metyl-1H,13C-HMQC-spektrum.