利用植物细胞中的量子指纹评估植物生产力
生物物理
2025-03-03 v1
摘要
克服强叶绿素背景对测量和优化植物生长构成了重大挑战。本研究探讨了一种新颖的应用方法，即将专门的量子光源引入烟草（Nicotiana tabacum）的完整叶片中，烟草是一种用于研究植物健康和生产力的特征明确的模式植物系统。叶片来自在两种不同条件下培育的植物：低光（LL），代表光合作用减弱的不健康叶片；和高光（HL），代表光合作用高度活跃的健康叶片。收集了高阶关联数据，并使用机器学习（ML）技术——具体而言是卷积神经网络（CNN）——对光子发射态进行分类。该 CNN 高效地识别了独特模式，并为在 LL 和 HL 条件下生长的烟草叶片创建了不同的指纹，展示了两种条件下显著不同的量子特征。这些量子指纹为不同光合作用状态相关植物生长参数的新型统一分析奠定了基础。通过采用 CNN，发射器特征能够可重复地将叶片分类为健康或不健康。该模型对每个分类达到了高概率值，确认了其准确性和可靠性。本研究的结果为更广泛的应用铺平了道路，包括将先进的量子和机器学习技术应用于植物健康监测系统。
引用
@article{arxiv.2502.21275,
title = {Utilizing Quantum Fingerprints in Plant Cells to Evaluate Plant productivity},
author = {Umadini Ranasinghe and Abigail L. Stressinger and Guangpeng Xu and Yasmin Sarhan and Fred Harrington and James Berry and Tim Thomay},
journal= {arXiv preprint arXiv:2502.21275},
year = {2025}
}