Enhanced performance of on-chip integrated biosensor using deep learning
Notice bibliographique
Résumé
Abstract A new approach for determining the concentration composition of a multi-element media using a micro-ring resonator (MRR) is proposed which allows for both electrical and thermal noise removal as well as moderately higher average accuracy. This method uses two neural networks, namely a convolutional neural network (CNN) and a deep neural network (DNN). The CNN differentiates the transmission spectrum from the noise. This spectrum is used to obtain selected features before being fed into the DNN, which determines the concentration of each chemical in the analyte. Both models are trained to work using simulated data from a silicon on-insulator ring resonator operating between the infrared wavelengths of $$\lambda =1.46\,\upmu \hbox{m}$$ <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"> <mml:mrow> <mml:mi>λ</mml:mi> <mml:mo>=</mml:mo> <mml:mn>1.46</mml:mn> <mml:mspace/> <mml:mi>μ</mml:mi> <mml:mtext>m</mml:mtext> </mml:mrow> </mml:math> to $$\lambda =1.6\,\upmu \hbox{m}$$ <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"> <mml:mrow> <mml:mi>λ</mml:mi> <mml:mo>=</mml:mo> <mml:mn>1.6</mml:mn> <mml:mspace/> <mml:mi>μ</mml:mi> <mml:mtext>m</mml:mtext> </mml:mrow> </mml:math> on mixtures of water, ethanol, methanol, and propanol, although the same approach can be used with other designs and substances. The CNN was trained using the MRR transmission spectra superimposed with white Gaussian noise as well as Poisson noise to mimic different noise sources, while the DNN underwent training on the extracted features. Average root-mean-square error for element concentration for the entire system is 0.0775% for a range of concentrations from 0.0357 to 75%, and the largest error had a value of 0.68% concentration.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».