Sobre el ruido

El aprendizaje profundo está ayudando a los científicos a encontrar las características ocultas de los pulsos resistivos en la detección de objetos nanoporosos a nanoescala. Fuente: Universidad de Osaka

Los científicos del Instituto de Investigación Científica e Industrial de la Universidad de Osaka utilizaron el aprendizaje automático para mejorar la relación señal / ruido de los datos recopilados a medida que las esferas pequeñas pasan a través de nanoporos microscópicos cortados en sustratos de silicio. Este trabajo puede conducir a datos mucho más sensibles al secuenciar el ADN o detectar concentraciones bajas de patógenos.

La miniaturización ha abierto la capacidad de ejecutar rápidamente una amplia variedad de herramientas de diagnóstico, como la detección de enfermedades en el punto de atención, utilizando muestras muy pequeñas. Por ejemplo, las partículas desconocidas se pueden analizar pasándolas a través de nanoporos y registrando pequeños cambios en corriente eléctrica. Sin embargo, la intensidad de estas señales puede ser muy baja y, a menudo, se oculta bajo ruido aleatorio. Definitivamente se necesitan nuevas técnicas para extraer información útil.

Ahora los científicos de la Universidad de Osaka estaban usando aprendizaje profundo para eliminar el ruido de los nanoporos. La mayoría de los métodos de aprendizaje automático requieren entrenamiento con muchos ejemplos «limpios» antes de que puedan interpretar conjuntos de datos ruidosos. Sin embargo, mediante el uso de una técnica llamada Noise2Noise, que se desarrolló originalmente para mejorar la imagen, el equipo pudo mejorar la resolución de formas de onda ruidosas aunque no se disponía de datos puros. Para reducir la interrupción de datos, se han utilizado redes neuronales profundas que actúan como neuronas en capas en el cerebro.

«La eliminación de ruido profunda nos permitió revelar las débiles cualidades de las señales de corriente iónica ocultas por fluctuaciones aleatorias», dice el primer autor Makusu Tsutsui. «Nuestro algoritmo está diseñado para seleccionar las funciones que mejor representan la entrada, lo que permite que la computadora detecte y reste ruido a partir de datos brutos «.

El proceso se repitió muchas veces hasta que se recuperó la señal básica. Básicamente, se utilizaron muchas formas de onda ruidosas para producir una señal limpia.

“Nuestro método puede ampliar las posibilidades nanoporo detección para detectar enfermedades infecciosas de forma rápida y precisa «, explica el autor principal Takashi Washio.» Estos estudios pueden conducir a pruebas de diagnóstico mucho más precisas, incluso si la señal de referencia es muy débil «.


Clasificación de virus mediante el aprendizaje automático

Más información:
Detección mejorada de aprendizaje profundo de nanoporos de la dinámica del desplazamiento de nanopartículas individuales. Pequeños métodos, DOI: doi.org/10.1002/smtd.202100191

Entregado por
Universidad de Osaka


Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *