Maschinelles Lernen für NMR-Spektroskopie
Auf einen Blick
- Projektleiter/in : Dr. Andreas Henrici
- Stellv. Projektleiter/in : Prof. Dr. Dirk Wilhelm
- Projektteam : Dr. Peter Bolt, Dr. Simon Bruderer, Dr. Flavio De Lorenzi, Dr. Michael Fey, Prof. Dr. Rudolf Marcel Füchslin, Dominik Graf, Dr. Björn Heitmann, Daniel Lam, Dr. Federico Paruzzo, Nicolas Schmid, Dr. Giuseppe Toscano, Dr. Simone Ulzega, Dr. Thomas Oskar Weinmann, Dr. Volker Ziebart
- Projektvolumen : CHF 571'499
- Projektstatus : laufend
- Drittmittelgeber : Innosuisse (Innovationsprojekt / Projekt Nr. 44786.1 IP-ENG)
- Projektpartner : Bruker Switzerland AG
- Kontaktperson : Andreas Henrici
Beschreibung
Das Ziel dieses Projekts ist es, NMR-Spektroskopie einem grösseren Anwendungsbereich zugänglich zu machen, indem die verschiedenen Schritte der Datenanalyse automatisiert werden. Dazu soll eine Kombination von Deep Learning-Methoden für die Extraktion und ein Bayes'scher Ansatz für die Vernetzung und Verfeinerung von Informationen verwendet werden.
Publikationen
-
Schmid, N.; Bruderer, S.; Paruzzo, F.; Fischetti, G.; Toscano, G.; Graf, D.; Fey, M.; Henrici, A.; Ziebart, V.; Heitmann, B.; Grabner, H.; Wegner, J.D.; Sigel, R.K.O.; Wilhelm, D.,
2023.
Deconvolution of 1D NMR spectra : a deep learning-based approach.
Journal of Magnetic Resonance.
347(107357).
Verfügbar unter: https://doi.org/10.1016/j.jmr.2022.107357
-
Fischetti, Giulia; Schmid, Nicolas; Bruderer, Simon; Caldarelli, Guido; Scarso, Alessandro; Henrici, Andreas; Wilhelm, Dirk,
2023.
Automatic classification of signal regions in 1H nuclear magnetic resonance spectra.
Frontiers in Artificial Intelligence.
5(1116416).
Verfügbar unter: https://doi.org/10.3389/frai.2022.1116416