Deep Learning erkennt flüchtige organische Verbindungen via IR-Spektren

Flüchtige organische Verbindungen (VOCs) sind leicht verdampfbare Moleküle, die erhebliche Gesundheitsrisiken bergen. Ihre präzise Erkennung ist daher entscheidend, um Expositionen zu überwachen und zu reduzieren.

In der Infrarotspektroskopie lassen sich VOCs durch ihre charakteristischen Absorptionsspektren nachweisen. Die Komplexität dieser Spektren erschwert jedoch eine Echtzeit‑Erkennung und -Quantifizierung.

Um dieses Problem zu lösen, haben Forscher ein umfangreiches Experimentdatenset mit neun VOC‑Klassen in unterschiedlichen Konzentrationen erstellt. Durch die Ergänzung mit synthetischen Spektren, die mittels bedingter generativer neuronaler Netze erzeugt wurden, wurde die Datenmenge und -vielfalt erheblich gesteigert.

Auf Basis dieser kombinierten Daten wurden robuste diskriminative neuronale Netze trainiert, die die neun VOCs zuverlässig identifizieren und ihre Konzentrationen präzise vorhersagen können. Das Ergebnis ist ein Modell, das sich nahtlos in Sensorgeräte integrieren lässt und damit die Echtzeit‑Überwachung von VOCs in der Atmosphäre ermöglicht.