Detectors and light-sources for optical spectrometry: from a 3D-printed light-source to a self-powered sensor fabricated on a flexible polymeric substrate, and from there on to an IoT-enabled "smart" system
Notice bibliographique
Résumé
We are developing detectors to sense the visible part of the spectrum. We are also developing light-sources that generate spectral signals from micro-samples introduced (for compatibility reasons) into micro-plasmas. Our battery- operated microplasmas are coupled to a portable, fiber-optic spectrometer and this combination (or system) can be thought of as a "multi parameter" or "multi-element sensor" for the UV and the Vis parts of the spectrum. Initially, our Micro Plasma Devices (MPDs) were fabricated using technologies borrowed from the semiconductor industry (e.g., microfluidics, micromachining) [1] . To reduce fabrication costs and to enable rapid prototyping [2] , we fabricated Micro Plasma Devices using 3D-printing of polymeric materials [3] . We also fabricated (and continue to characterize) a relatively- inexpensive self-powered detector on a flexible polymeric substrate [4] . The detector responds to light from the visible part of the spectrum. To enable portability for chemical measurements on-site (i.e., in the field) we often used a smartphone for data acquisition and signal processing, thus enabling a sensor-system to be placed on the Internet of Things (IoT) and potentially, to be employed in Society 5.0 applications [5] . To further facilitate use on-site (i.e., in the field), portable optical spectrometers with a short focal length must be used. But as focal length decreases, spectral overlaps (often called spectral interference effects) arise. To address them, we employed Artificial Intelligence (AI) methods using Artificial Neural Networks (ANNs) and Deep Learning approaches, thus (in many respects) making sensor-systems smarter [6] . In this paper (due to space limitations), emphasis will be will be placed on recent developments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».