通过有效选择机器学习算法开发特定用途的高性能网络纳米材料光学探测器
应用物理
2020-10-27 v3 机器学习
摘要
由于其固有的可变性，基于纳米材料的传感器难以转化为可靠性/可重复性至关重要的实际应用。最近我们表明，贝叶斯推断可用于处理层状纳米材料基光学透射滤波器中的工程可变性，以高精度/高精度确定光波长。在许多实际应用中，传感成本/速度和长期可靠性可能是同等或更重要的考量。尽管各种机器学习工具常用于传感器/探测器网络以解决这些问题，但其在基于纳米材料的传感器上的有效性尚未被探索。在此我们表明，网络纳米材料探测器中机器学习算法的最佳选择主要由特定用途考量决定，例如精度、计算成本、速度以及对抗漂移/老化效应的韧性。当提供充足数据/计算资源时，kNN与贝叶斯推断算法可实现最高传感精度，但对于实时应用可能计算昂贵。相反，人工神经网络训练计算昂贵，但在测试条件下提供最快结果且保持合理准确。当数据有限时，SVM在小训练集上表现良好，而其他算法若数据稀缺则精度显著下降，因此设定了所需训练集大小的下限。我们表明，通过跟踪/建模探测器性能在较长（1年） period内的长期漂移，可在无需重新校准的情况下提高预测精度。我们的研究首次表明，若机器学习算法针对用例特定选择，尽管存在固有可变性，低成本溶液加工的网络纳米材料探测器可在多样操作要求下实际实现。
引用
@article{arxiv.1912.11751,
title = {Development of Use-specific High Performance Cyber-Nanomaterial Optical Detectors by Effective Choice of Machine Learning Algorithms},
author = {Davoud Hejazi and Shuangjun Liu and Amirreza Farnoosh and Sarah Ostadabbas and Swastik Kar},
journal= {arXiv preprint arXiv:1912.11751},
year = {2020}
}
备注
34 pages combined with images and references, 5 figures, added 1 table of content graphics image at the beginning of article, fixed the typo in title