数字图像处理技术在扫描电化学显微镜中的应用

扫描电化学显微镜(SECM)使用超微电极作为探针,由于发生在探针电极上的氧化还原反应是一个扩散过程,探针电极在快速移动过程中会对扩散过程产生影响,导致SECM图像变得不清晰。本研究采用Lo G算法与NEDI插值算法相结合的图像处理技术对获得的SECM图像进行处理,Lo G算法可以提高SECM图像的清晰度,但会导致图像中部分边缘信息丢失,利用基于边缘导向插值的NEDI算法对后续图像进行处理,可以很好地解决这个问题。采用离子溅射方法制备了金叉指电极和金点阵电极两种基底,对金叉指电极基底、金点阵电极基底和印有指纹的ITO基底进行了SECM成像,通过对3种基底的SECM原始图像、Lo G变换后的图像和NEDI插值后的图像进行比较分析,表明Lo G算法与NEDI插值算法结合在一起的图像处理技术可以明显提高SECM图像的清晰度和分辨率。     

一种基于最小二乘法的石英晶体微分天平的谐振频率检测算法

阻抗型石英晶体微天平,具有适用范围广、获取参数多等优点,但通过阻抗分析方法获取石英晶体谐振频率耗时较长,实时性差。 针对这一问题,对采用最小二乘法进行二次拟合的计算过程进行了深入的分析,对其中的关键步骤进行了改进,提出了一种适用于石英晶体谐振频率测量的快速检测算法,通过对测得数据的坐标系进行调整,降低了拟合过程中的数据运算量。 经实验验证,与传统拟合算法相比,该算法计算谐振频率的效率提升4倍,并且得到了更高的计算精度,具有很高的实用价值。     

深度学习在化学信息学中的应用研究进展

在知识、数据、算法与算力的多重驱动下，深度学习不仅在计算机视觉、自然语言处理等研究领域取得了突破，并随着各学科间的迁移应用于交叉融合，逐渐衍生出多个新兴研究方向。化学信息学作为以应用信息学方法以解决化学问题的学科，深度学习技术凭借其强大的非线性学习能力，通过深度学习模型可以从数据集中对其进行筛选预测，再基于理论计算对结果可行性进行理论验证，最后通过实验表征结果，缩短了实验周期、降低了人力成本、加速了化学信息学智能化。本文简要介绍了深度学习发展历史及主要网络模型架构，介绍了近年来深度学习在在化合物合成路线规划、化合物结构活性与性质及催化剂设计的最新研究和应用现状，并对未来的发展方向进行讨论与展望。