# 物理信息深度学习

二维红外光谱此前多用于分类或粗略参数推断，直接反演跃迁偶极矩阵这一逆问题仍很困难。Spec2DipoleNet把能级结构分类与偶极矩阵回归放进同一个物理约束的多任务卷积网络，用非厄米哈密顿量方法生成的8000条模拟谱训练。验证集上RMSE为0.085、决定系数0.97、归一化互相关0.98，允许跃迁恢复较好，名义禁戒跃迁偏差更大。

二维红外光谱此前多用于分类或粗略参数推断，直接反演跃迁偶极矩阵这一逆问题仍很困难。Spec2DipoleNet把能级结构分类与偶极矩阵回归放进同一个物理约束的多任务卷积网络，用非厄米哈密顿量方法生成的8000条模拟谱训练。验证集上RMSE为0.085、决定系数0.97、归一化互相关0.98，允许跃迁恢复较好，名义禁戒跃迁偏差更大。

PhySeqNet用仪器匹配的光学模型加真实空帧噪声生成半合成图像来训练U-Net检测器，无需人工标注即可在BARseq组织图像上定位荧光rolony，配合条形码感知非极大值抑制后每个细胞回收51条计数，高于BarDensr的47条。

PhySeqNet用仪器匹配的光学模型加真实空帧噪声生成半合成图像来训练U-Net检测器，无需人工标注即可在BARseq组织图像上定位荧光rolony，配合条形码感知非极大值抑制后每个细胞回收51条计数，高于BarDensr的47条。