Spectroscopie RMN à décalage pur accéléré avec apprentissage profond

La spectroscopie par résonance magnétique nucléaire (RMN) à décalage pur présente une solution prometteuse pour fournir une résolution spectrale suffisante et a été de plus en plus appliquée dans diverses branches de la chimie, mais la résolution optimale s'accompagne généralement de longs temps expérimentaux. Nous présentons une preuve de concept de l'apprentissage profond pour une reconstruction RMN à décalage pur rapide, de haute qualité et fiable. Le protocole d'apprentissage profond (DL) permet d'éliminer les artefacts de sous-échantillonnage, de distinguer des pics avec des décalages chimiques proches, et de reconstruire des spectroscopies RMN à décalage pur en haute résolution, accompagnées d'une acquisition accélérée. Plus significativement, le réseau de neurones léger offre des performances de reconstruction satisfaisantes sur des ordinateurs personnels à l'aide de plusieurs centaines de données simulées, ce qui allège quelque peu la demande prohibitive d'un grand volume d'échantillons d'entraînement réels et de matériel informatique avancé généralement requis dans les projets de DL. De plus, une stratégie M-à-S applicable aux cas DL courants est exploitée pour renforcer la capacité de généralisation du réseau. En conséquence, cette étude constitue un pas significatif vers des protocoles d'apprentissage profond pour des applications chimiques larges.