Buchumschlag

Towards Ultimate NMR Resolution with Deep Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jahangiri, Amir, Agback, Tatiana, Brath, Ulrika, Orekhov, Vladislav
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Biological Physics Machine Learning Data Analysis, Statistics and Probability
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Simultaneous Dimensionality Reduction for Extracting Useful Representations of Large Empirical Multimodal Datasets
von: Abdelaleem, Eslam
Veröffentlicht: (2024)

Beyond traditional Magnetic Resonance processing with Artificial Intelligence
von: Jahangiri, Amir, et al.
Veröffentlicht: (2024)

Unsupervised learning of anomalous diffusion data
von: Muñoz-Gil, Gorka, et al.
Veröffentlicht: (2021)

Extreme Learning Machine for the Characterization of Anomalous Diffusion from Single Trajectories (AnDi-ELM)
von: Manzo, Carlo
Veröffentlicht: (2021)

Coarse-graining conformational dynamics with multi-dimensional generalized Langevin equation: how, when, and why
von: Xie, Pinchen, et al.
Veröffentlicht: (2024)

Data-Efficient Learning of Anomalous Diffusion with Wavelet Representations: Enabling Direct Learning from Experimental Trajectories
von: Wang, Gongyi, et al.
Veröffentlicht: (2025)

Machine Learning Analysis of Anomalous Diffusion
von: Cai, Wenjie, et al.
Veröffentlicht: (2024)

Enhanced Spatial Clustering of Single-Molecule Localizations with Graph Neural Networks
von: Pineda, Jesús, et al.
Veröffentlicht: (2024)

Compression, Regularity, Randomness and Emergent Structure: Rethinking Physical Complexity in the Data-Driven Era
von: Dehghani, Nima
Veröffentlicht: (2025)

How Easy Is It to Learn Motion Models from Widefield Fluorescence Single Particle Tracks?
von: Hendrix, Zachary H., et al.
Veröffentlicht: (2025)

Super-resolved anomalous diffusion: deciphering the joint distribution of anomalous exponent and diffusion coefficient
von: Lanoiselée, Yann, et al.
Veröffentlicht: (2024)

Deep brain microelectrode signal: $q$-statistical approach
von: Tavares, Ana Luiza Souza, et al.
Veröffentlicht: (2026)

Seabird trajectories map onto a reduced optimal-control bound for dynamic soaring
von: González, Louis, et al.
Veröffentlicht: (2026)

Geometric phase predicts locomotion performance in undulating living systems across scales
von: Rieser, Jennifer M, et al.
Veröffentlicht: (2019)

A unifying approach to diffusive transport in heterogeneous media
von: Lanoiselée, Yann, et al.
Veröffentlicht: (2026)

Learning minimal representations of stochastic processes with variational autoencoders
von: Fernández-Fernández, Gabriel, et al.
Veröffentlicht: (2023)

A mathematical theory for understanding when abstract representations emerge in neural networks
von: Wang, Bin, et al.
Veröffentlicht: (2025)

Exact Identity Linking Entropy Production and Mutual Information
von: Cho, Doohyeong, et al.
Veröffentlicht: (2025)

Manifold-based transformation of probability distributions: application to the inverse problem of reconstructing distributions from experimental data
von: Oroguchi, Tomotaka, et al.
Veröffentlicht: (2024)

Scientific Data Compression and Super-Resolution Sampling
von: Vu, Minh, et al.
Veröffentlicht: (2025)

OASIS: A Deep Learning Framework for Universal Spectroscopic Analysis Driven by Novel Loss Functions
von: Young, Chris, et al.
Veröffentlicht: (2025)

Physics-based signal analysis of genome sequences: GenomeBits overview
von: Canessa, E.
Veröffentlicht: (2023)

Fast frequency reconstruction using Deep Learning for event recognition in ring laser data
von: Di Somma, Giuseppe, et al.
Veröffentlicht: (2025)

Active Deep Kernel Learning of Molecular Properties: Realizing Dynamic Structural Embeddings
von: Ghosh, Ayana, et al.
Veröffentlicht: (2024)

Automated Preparation of Nanoscopic Structures: Graph-Based Sequence Analysis, Mismatch Detection, and pH-Consistent Protonation with Uncertainty Estimates
von: Csizi, Katja-Sophia, et al.
Veröffentlicht: (2023)

Automatic Forward Model Parameterization with Bayesian Inference of Conformational Populations
von: Raddi, Robert M., et al.
Veröffentlicht: (2024)

Machine learning from limited data: Predicting biological dynamics under a time-varying external input
von: Kang, Hoony, et al.
Veröffentlicht: (2024)

Network analysis with quantum dynamics clarifies why photosystem II exploits both chlorophyll a and b
von: Kim, Eunchul, et al.
Veröffentlicht: (2021)

DPGIIL: Dirichlet Process-Deep Generative Model-Integrated Incremental Learning for Clustering in Transmissibility-based Online Structural Anomaly Detection
von: Mei, Lin-Feng, et al.
Veröffentlicht: (2024)

The Universe as a Learning System
von: Shushi, Tomer
Veröffentlicht: (2024)

Designing Observables for Measurements with Deep Learning
von: Long, Owen, et al.
Veröffentlicht: (2023)

Hamiltonian replica exchange augmented with diffusion-based generative models and importance sampling to assess biomolecular conformational basins and barriers
von: Benayad, Zakarya, et al.
Veröffentlicht: (2025)

Exact calculation of the probabilities of rare events in cluster-cluster aggregation
von: Rajesh, R., et al.
Veröffentlicht: (2024)

Mixed Noise and Posterior Estimation with Conditional DeepGEM
von: Hagemann, Paul, et al.
Veröffentlicht: (2024)

Geometric Autoencoder Priors for Bayesian Inversion: Learn First Observe Later
von: Vadeboncoeur, Arnaud, et al.
Veröffentlicht: (2025)

Calibration in Machine Learning Uncertainty Quantification: beyond consistency to target adaptivity
von: Pernot, Pascal
Veröffentlicht: (2023)

Efficient Training of Deep Neural Operator Networks via Randomized Sampling
von: Karumuri, Sharmila, et al.
Veröffentlicht: (2024)

Data Science Education in Undergraduate Physics: Lessons Learned from a Community of Practice
von: Shah, Karan, et al.
Veröffentlicht: (2024)

Real-Time Cascade Mitigation in Power Systems Using Influence Graph Improved by Reinforcement Learning
von: Zhou, Kai, et al.
Veröffentlicht: (2025)

Towards certification: A complete statistical validation pipeline for supervised learning in industry
von: Lacasa, Lucas, et al.
Veröffentlicht: (2024)