NMR 相关与交换实验的子采样
化学物理
2024-01-02 v1 机器学习
摘要
将子采样应用于模拟的 - NMR 信号，并评估其对反演性能的影响。为此采用了不同程度的子采样，范围从全采样信号到仅保留不到原始数据点百分之二的情况。这结合了多种采样方案，包括完全随机采样、截断以及两者的组合。为了比较不同反演算法的性能，使用 Tikhonov 正则化、修正总广义变分 (MTGV) 正则化、深度学习以及深度学习与 Tikhonov 正则化的组合对生成的子采样信号进行了反演。此外，还研究了所选代价函数对相对反演性能的影响。总体而言，结果表明，在绝大多数情况下，如果信号是全采样或接近全采样的，深度学习明显优于基于正则化的反演方法。然而，在信号显著子采样的情况下，正则化产生的反演性能优于其深度学习对应方法，其中 MTGV 明显优于 Tikhonov。此外，完全随机采样被确定为独立于反演方法的最佳整体采样方案。最后，研究还表明，代价函数的选择极大地影响了所测试反演算法的相对排名，突显了根据实验意图选择代价函数的重要性。
引用
@article{arxiv.2401.00599,
title = {Sub-sampling of NMR Correlation and Exchange Experiments},
author = {Julian B. B. Beckmann and Mick D. Mantle and Andrew J. Sederman and Lynn F. Gladden},
journal= {arXiv preprint arXiv:2401.00599},
year = {2024}
}