AP 2.1.4.

Zusammenfassung:

• Trainieren eines tiefen, klassifizierenden neuronalen Netzwerks
• Erklärung und Interpretation der NN-Entscheidungen für den Menschen durch automatische Extraktion von Logikausdrücken aus NN
• Entwicklung eines minimalen Klassifikators (beschränktes Spektrum sowie automatisch ermittelte Entscheidungsbäume)
• notwendige Spektralkanäle zur Substanzbestimmung?

Die Raman-Spektroskopie ermöglicht die Analyse und Identifizierung von Molekülen in chemischen Substanzen durch typische strukturelle Fingerabdrücke. Die identifizierenden Signale sind jedoch oft schwach und mit Rauschen vermischt und daher schwer zu erkennen. Die Shifted Excitation Raman Difference Spectroscopy (SERDS) hilft dabei, identifizierende Fingerabdrücke von Rauschen wie Hintergrundlicht und Fluoreszenz zu trennen. Um Zielmoleküle zu finden, muss eine typische Raman-Linie aus einer Raman-Streuung isoliert werden. Im Rahmen des Projekts soll ein neuronales Netz zur Klassifizierung von Streuungsdaten entwickelt werden. Das Hauptziel für die KI ist die Erkennung von Molekülen, beginnend mit Beta-Carotin, aus einer Vielzahl anderer Moleküle, wobei die KI in der Lage sein soll, Beta-Carotin aus Raman-Spektren zu erkennen. Darüber hinaus helfen logische Ausdrücke, die aus dem Netzwerk abgeleitet werden, die Semantik des Netzwerks zu erklären. Auf der Grundlage dieser Wissen können neue Raman-Sensoren für bestimmte Zielsubstanzen entwickelt werden.

Wichtigste Projektergebnisse

•   Entwicklung eines Raman-Spektroskopie-Systems zum Nachweis verschiedener Substanzen
•   Analyse der Spektren im Vergleich zu Referenzspektren mittels künstlicher Intelligenz
•   Klassifikator auf Basis von Raman-Spektren mit Hilfe von maschinellem Lernen
•   Vorträge und Publikationen

Ergebnisse

•   Identifizierung einer minimalen Anzahl von Frequenzen, die für die Vorhersage benötigt werden
•   Entwicklung eines Klassifikators mit einem begrenzten Spektrum
•   Beibehaltung einer hohen Klassifizierungsgenauigkeit und Robustheit
•   Bewertung des Klassifikators mit Hilfe geeigneter Leistungsmetriken
•   Entwicklung eines logikbasierten Klassifikators

Projektbeteiligte:

• Bernd Sumpf, Ferdinant-Braun-Institut
• Matthias Wolff, BTU Cottbus-Senftenberg, Kommunikationstechnik

Ansprechpartner:  Tapashi Gosswami