我室实现人工智能算法加速二维纳米核磁共振谱的探测
发布人:中科院微观磁共振重点实验室  发布时间:2020-10-20   动态浏览次数:855

  我室杜江峰院士、石发展教授等与爱荷华大学巫晓东教授合作,在金刚石氮-空位(NV)色心体系的量子精密测量方面取得新进展。利用深度学习神经网络的方法,对基于金刚石量子精密测量技术的纳米核磁共振二维谱进行加速,将探测效率提高近一个量级。该研究成果以“Artificial intelligence enhanced two-dimensional nanoscale nuclear magnetic resonance spectroscopy”为题,发表在20209月的《npj Quantum Information》上 [npj Quantum Information 6, 79 (2020)]

  物质分子结构的解析是化学和生命科学研究物质性质和功能的重要手段,核磁共振因具有无损,生理条件甚至原位探测等优势,广泛应用于结构生物学和临床医学。传统的核磁共振技术受限于信号收集方法,仅能测量数十亿以上分子系综产生的集体信号。近年来,以金刚石氮-空位色心为磁传感器,实现了纳米磁共振谱学。我室在基于NV色心的纳米核磁共振方向,首次以一对耦合的碳-13核自旋为探测对象,实现纳米二维核磁共振谱 [发表于今年初的Adv. Quantum Technol. 2020, 3, 1900136 (2020)]。由于微观核磁信号极弱,在纳米尺度二维核磁共振谱测量的实验中,为了获得较高的信噪比,往往需要消耗很长的时间(数小时到天)来累积信号。为了提升探测效率,杜江峰领衔的研究团队将人工智能的方法应用于二维核磁共振谱的数据处理与分析,通过模型数据训练深度学习神经网络,并结合矩阵填充的方法,最终使得在时间消耗为10%的条件下,仍能获得近4

~5.7dB)信噪比的提升。

二维谱是自旋距离解析的关键,也是单分子结构解析的基础。该工作提供了一种适用于二维核磁共振谱学加速的普适方法,能够应用于纳米尺度下单分子的结构解析。

南京大学孔熙副教授、美国爱荷华大学周磊鑫博士和科院微观磁共振重点实验室博士生李志杰为该文共同第一作者。该研究得到了科技部、国家自然科学基金委、中国科学院和安徽省的资助。


(a) 采取深度学习算法之后,可以从少量的信息中提取复杂的纳米核磁谱线信息,从而大大提高实验测量效率。(b) 深度学习结合矩阵填充算法在保持重构能力的同时可以去除掉偏倚。