مقاله یادگیری عمیق به عنوان روشی برای وارونگی سیگنال های NMR

چکیده

The concept of deep learning is employed for the inversion of NMR signals and it is shown that NMR signal inversion can be considered as an image-to-image regression problem, which can be treated with a convolutional neural net. It is further outlined, that inversion through deep learning provides a clear efficiency and usability advantage compared to regularization techniques such as Tikhonov and modified total generalized variation (MTGV), because no hyperparemeter selection prior to reconstruction is necessary. The inversion network is applied to simulated NMR signals and the results compared with Tikhonov- and MTGV-regularization. The comparison shows that inversion via deep learning is significantly faster than the latter regularization methods and also outperforms both regularization techniques in nearly all instances.

چکیده به فارسی (ترجمه ماشینی)

مفهوم یادگیری عمیق برای وارونگی سیگنال های NMR به کار می رود و نشان داده شده است که وارونگی سیگنال NMR را می توان به عنوان یک مشکل رگرسیون تصویر به تصویر در نظر گرفت ، که می تواند با یک شبکه عصبی حلقوی درمان شود.علاوه بر این ، بیان شده است که وارونگی از طریق یادگیری عمیق ، در مقایسه با تکنیک های منظم مانند Tikhonov و تغییر کلی تعمیم یافته (MTGV) ، یک بهره وری روشن و قابلیت استفاده را فراهم می کند ، زیرا هیچ انتخاب بیش از حد قبل از بازسازی لازم نیست.شبکه وارونگی برای سیگنال های NMR شبیه سازی شده و نتایج در مقایسه با Tikhonov- و MTGV- تنظیم شده اعمال می شود.این مقایسه نشان می دهد که وارونگی از طریق یادگیری عمیق به طور قابل توجهی سریعتر از روشهای منظم دوم است و همچنین تقریباً در تمام موارد از هر دو روش تنظیم بهتر عمل می کند.