Mayer, KM & Hafner, JH Capteurs de résonance de plasmons de surface localisés. Chem. Tour. 111, 3828 – 3857 (2011).
Langer, J. et coll. Présent et futur de la diffusion Raman améliorée en surface. ACS Nano 14, 28 – 117 (2020).
Willets, KA, Wilson, AJ, Sundaresan, V. & Joshi, PB Imagerie à super-résolution et plasmonique. Chem. Tour. 117, 7538 – 7582 (2017).
Brongersma, ML, Halas, NJ & Nordlander, P. Science et technologie des porteurs chauds induits par le plasmon. Nat. Nanotechnologie. 10, 25 – 34 (2015).
Baffou, G. & Quidant, R. Nanoplasmonique pour la chimie. Chem. Soc. Tour. 43, 3898 – 3907 (2014).
Park, W., Lu, D. & Ahn, S. Plasmon amélioration de la conversion ascendante de la luminescence. Chem. Soc. Tour. 44, 2940 – 2962 (2015).
Gu, M. et al. Nanoplasmonique : une frontière des cellules solaires photovoltaïques. Nanophotonique 1, 235 – 248 (2012).
Azzam, SI et al. Dix ans de spasers et de nanolasers plasmoniques. Lumière Sci. Application 9, 90 (2020).
Abadeer, NS & Murphy, CJ Progrès récents dans la thérapie thermique du cancer utilisant des nanoparticules d'or. J.Phys. Chim. C 120, 4691 – 4716 (2016).
Xavier, J., Yu, DS, Jones, C., Zossimova, E. & Vollmer, F. Détection nanophotonique et nanoplasmonique quantique : vers des laboratoires de biosciences optiques quantiques sur puce. Nanophotonique 10, 1387 – 1435 (2021).
Zhou, Z.-K. et coll. La plasmonique quantique est appliquée. Programme. Électron quantique. 65, 1 – 20 (2019).
Henri, A.-I. et coll. Études corrélées de la structure et des propriétés optiques des nanoparticules plasmoniques. J.Phys. Chim. C 115, 9291 – 9305 (2011).
Carleo, G. et al. Apprentissage automatique et sciences physiques. Rév. Mod. Phys. 91, 045002 (2019).
Butler, KT, Davies, DW, Cartwright, H., Isayev, O. & Walsh, A. Apprentissage automatique pour la science moléculaire et des matériaux. Nature 559, 547 – 555 (2018).
Brown, KA, Brittman, S., Maccaferri, N., Jariwala, D. & Celano, U. Apprentissage automatique dans les nanosciences : mégadonnées à petite échelle. Nano Lett. 20, 2 – 10 (2020).
Vahidzadeh, E. & Shankar, K. Prédiction basée sur un réseau neuronal artificiel des propriétés optiques des métastructures plasmoniques noyau-coque sphériques. nanomatériaux 11, 633 (2021).
Malkiel, I. et al. Conception et caractérisation de nanostructures plasmoniques par apprentissage profond. Lumière Sci. Appl. 7, 60 (2018).
Kim, W. et al. Spectroscopie Raman améliorée en surface sur papier pour le diagnostic des maladies prénatales chez les femmes. ACS Nano 12, 7100 – 7108 (2018).
Lussier, F., Missirlis, D., Spatz, JP & Masson, JF L'optophysiologie de diffusion Raman améliorée par l'apprentissage automatique révèle des gradients de métabolites multiplexés à proximité des cellules. ACS Nano 13, 1403 – 1411 (2019).
Shi, H. et al. Mise en place d'une base de données de diffusion Raman améliorée en surface pour la discrimination sans étiquette basée sur l'intelligence artificielle des gènes suppresseurs de tumeurs. Anal. Chem. 90, 14216 – 14221 (2018).
Tao, H. et al. Synthèse de nanoparticules assistée par machine learning. Nat. Révérend Mater. 6, 701 – 716 (2021).
Yen, S.-C., Chen, Y.-L. & Su, Y.-H. Évolution du génome des matériaux des caractéristiques de résonance plasmonique de surface des nanoparticules d'Au décorées des nanobâtonnets de ZnO. Maître APL. 8, 091109 (2020).
Leong, YX et al. Dégustateur SERS (Surface-Enhanced Raman scattering) : une plate-forme multiréceptrice basée sur l'apprentissage automatique pour le profilage multiplex des arômes du vin. Nano Lett. 21, 2642 – 2649 (2021).
Macias, G. et al. Dégustation de whisky à l'aide d'une langue nanoplasmonique bimétallique. Nanoscale 11, 15216 – 15223 (2019).
Zhang, T. et al. Prédiction efficace du spectre et conception inverse pour les systèmes de guides d'ondes plasmoniques basés sur des réseaux de neurones artificiels. Photon. Rés. 7, 368 – 380 (2019).
Nelson, MD & Di Vece, M. Utilisation d'un réseau de neurones pour améliorer l'absorption optique dans les couches de pérovskite d'halogénure contenant des nanoparticules d'argent à noyau-enveloppe. nanomatériaux 9, 437 (2019).
He, J., He, C., Zheng, C., Wang, Q. & Ye, J. Simulations de nanoparticules plasmoniques et conception inverse à l'aide de l'apprentissage automatique. Nanoscale 11, 17444 – 17459 (2019).
Roberts, NB & Keshavarz Hedayati, M. Une approche d'apprentissage en profondeur pour la prédiction directe et la conception inverse de la couleur structurelle de la métasurface plasmonique. Appl. Phys. Lett. 119, 061101 (2021).
Wang, M., Wang, T., Cai, P. & Chen, X. Découverte et conception de nanomatériaux grâce à l'apprentissage automatique. Petites méthodes 3, 1900025 (2019).
Kelly, KL, Coronado, E., Zhao, LL & Schatz, GC Les propriétés optiques des nanoparticules métalliques : l'influence de la taille, de la forme et de l'environnement diélectrique. J.Phys. Chim. B 107, 668 – 677 (2003).
Li, X., Shu, J., Gu, W. & Gao, L. Réseau de neurones profonds pour la modélisation de capteurs plasmoniques. Opter. Mater. Express 9, 3857 – 3862 (2019).
Pachkov, DM et al. Analyse quantitative des spectres UV-vis pour les nanoparticules d'or alimentée par l'apprentissage automatique supervisé. J.Phys. Chim. C 125, 8656 – 8666 (2021).
Arzola-Flores, JA & Gonzalez, AL Apprentissage automatique pour prédire la résonance plasmonique de surface de nanocubes d'or parfaits et concaves. J.Phys. Chim. C 124, 25447 – 25454 (2020).
Hiszpanski, AM et al. Aperçu de la synthèse des nanomatériaux à partir de l'apprentissage automatique d'articles scientifiques en extrayant, structurant et visualisant les connaissances. J. Chem. Inf. Modèle. 60, 2876 – 2887 (2020).
Ashalley, E. et al. Conception multitâche basée sur l'apprentissage en profondeur de métamatériaux plasmoniques chiraux. Photon. Rés. 8, 1213 – 1225 (2020).
Sajedian, I., Badloe, T. & Rho, J. Optimisation de la génération de couleurs à partir de nanostructures diélectriques à l'aide de l'apprentissage par renforcement. Opter. Express 27, 5874 – 5883 (2019).
Liu, D., Tan, Y., Khoram, E. & Yu, Z. Formation de réseaux de neurones profonds pour la conception inverse de structures nanophotoniques. Photonique ACS 5, 1365 – 1369 (2018).
Kasani, S., Curtin, K. & Wu, N. Examen des modèles de réseaux de nanostructures plasmoniques 2D et 3D : fabrication, gestion de la lumière et applications de détection. Nanophotonique 8, 2065 – 2089 (2019).
Glotzer, SC & Solomon, MJ Anisotropie des blocs de construction et leur assemblage en structures complexes. Nat. Maître. 6, 557 – 562 (2007).
MacFarlane, RJ et al. Ingénierie des super-réseaux de nanoparticules avec l'ADN. Sciences 334, 204 – 208 (2011).
Tao, HC et al. Synthèse de nanoparticules assistée par machine learning. Nat. Révérend Mater. 6, 701 – 716 (2021).
Ringe, E., Van Duyne, RP & Marks, LD Constructions Wulff modifiées cinétiques et thermodynamiques pour les nanoparticules jumelées. J.Phys. Chim. C 117, 15859 – 15870 (2013).
Salley, D. et al. Un robot de découverte des nanomatériaux pour l'évolution darwinienne des nanoparticules d'or programmables en forme. Nat. Commun. 11, 2771 (2020).
Pinho, B. & Torrente-Murciano, L. Dial-a-particle : fabrication précise de nanoparticules plasmoniques basée sur des informations de croissance précoce - redéfinissant l'automatisation pour la synthèse lente de matériaux. Av. Energie Mater. 11, 2100918 (2021).
Britton, J. & Raston, CL Synthèse à flux continu en plusieurs étapes. Chem. Soc. Tour. 46, 1250 – 1271 (2017).
Volk, AA, Epps, RW & Abolhasani, M. Développement accéléré de nanomatériaux colloïdaux activé par des réacteurs microfluidiques modulaires : vers une expérimentation robotique autonome. Av. Mater. 33, 2004495 (2021).
Coley, CW, Green, WH & Jensen, KF Apprentissage automatique dans la planification de la synthèse assistée par ordinateur. Acc. Chem. Rés. 51, 1281 – 1289 (2018).
Copp, SM, Bogdanov, P., Debord, M., Singh, A. & Gwinn, E. Reconnaissance des motifs de base et conception de modèles d'ADN pour les amas d'argent fluorescents par apprentissage automatique. Av. Mater. 26, 5839 – 5845 (2014).
Copp, SM et al. Couleur de fluorescence par conception basée sur les données de grappes d'argent génomiques. ACS Nano 12, 8240 – 8247 (2018).
Adorf, CS, Moore, TC, Melle, YJU & Glotzer, SC Analyse des voies d'auto-assemblage avec des algorithmes d'apprentissage automatique non supervisés. J.Phys. Chim. B 124, 69 – 78 (2020).
Dijkstra, M. & Luijten, E. De la modélisation prédictive à l'apprentissage automatique et à l'ingénierie inverse de l'auto-assemblage colloïdal. Nat. Maître. 20, 762 – 773 (2021).
Nette, J., Howes, PD & deMello, AJ Synthèse microfluidique de nanoparticules luminescentes et plasmoniques : rapide, efficace et riche en données. Av. Maître. Technologie. 5, 2000060 (2020).
Wu, C.-C., Pan, F. & Su, Y.-H. Résonance plasmonique de surface des nano-oursins dorés contrôlée par une régulation basée sur l'apprentissage automatique dans la croissance médiée par les graines. Adv. Photon. Rés. 2, 2170031 (2021).
Mekki-Berrada, F. et al. L'apprentissage automatique en deux étapes permet une synthèse optimisée des nanoparticules. npj Calcul. Maître. 7, 55 (2021).
Dong, B. et al. Synthèse d'AgNPs sphériques monodisperses par la méthode Lee-Meisel intensifiée par ultrasons et évaluation rapide via l'apprentissage automatique. Échographie. Sonochem. 73, 105485 (2021).
Fernandes, DLA et al. Synthèse microfluidique verte de nanoparticules d'argent monodispersées via l'optimisation d'algorithmes génétiques. RSC Adv. 6, 95693 – 95697 (2016).
Fukada, K. & Seyama, M. Dispositifs microfluidiques contrôlés par apprentissage automatique avec des expériences d'échec. Anal. Chem. 94, 7060 – 7065 (2022).
Moen, E. et al. Apprentissage profond pour l'analyse d'images cellulaires. Nat. Les méthodes 16, 1233 – 1246 (2019).
Hopper, ER et al. Contrôle de taille dans la synthèse colloïdale de nanoparticules de magnésium plasmonique. J.Phys. Chim. C 126, 563 – 577 (2022).
Woehrle, GH, Hutchinson, JE, Ozkar, S. & Finke, RG Analyse des données de microscopie électronique à transmission de nanoparticules à l'aide d'un programme de traitement d'image du domaine public, image. Turc. J. Chem. 30, 1 – 13 (2006).
Wang, X. et al. Autodetect-mNP : un algorithme d'apprentissage automatique non supervisé pour l'analyse automatisée d'images au microscope électronique à transmission de nanoparticules métalliques. JACS Au 1, 316 – 327 (2021).
Lee, B. et al. Caractérisation statistique des morphologies des nanoparticules par analyse d'images par microscopie électronique basée sur l'apprentissage automatique. ACS Nano 14, 17125 – 17133 (2020).
Xu, S. et al. Analyse en apprentissage profond d'images d'ondes polaritoniques. ACS Nano 15, 18182 – 18191 (2021).
Yao, L., Ou, Z., Luo, B., Xu, C. & Chen, Q. Apprentissage automatique pour révéler la dynamique des nanoparticules à partir de vidéos TEM en phase liquide. ACS Cent. Sci. 6, 1421 – 1430 (2020).
Zhong, Y., Li, C., Zhou, H. et Wang, G. Développement d'un suivi tridimensionnel de particules uniques résistant au bruit à l'aide de réseaux de neurones profonds. Anal. Chem. 90, 10748 – 10757 (2018).
Moon, G., Son, T., Lee, H. & Kim, D. Approche d'apprentissage en profondeur pour une meilleure détection de la diffusion des plasmons de surface. Anal. Chem. 91, 9538 – 9545 (2019).
Ma, YP, Li, Q., Luo, JB, Huang, CZ et Zhou, J. Diffusiométrie à réaction faible de la diffusion de la lumière par résonance plasmonique avec apprentissage automatique. Anal. Chem. 93, 12131 – 12138 (2021).
Horgan, CC et al. Imagerie moléculaire à haut débit via la spectroscopie Raman activée par apprentissage en profondeur. Anal. Chem. 93, 15850 – 15860 (2021).
García de Abajo, FJ Excitations optiques en microscopie électronique. Rév. Mod. Phys. 82, 209 – 275 (2010).
Nelayah, J. et al. Cartographie des plasmons de surface sur une seule nanoparticule métallique. Nat. Phys. 3, 348 – 353 (2007).
Collins, SM & Midgley, PA Progrès et opportunités en tomographie EELS et EDS. Ultramicroscopie 180, 133 – 141 (2017).
Nicoletti, O. et al. Imagerie tridimensionnelle des résonances plasmoniques de surface localisées de nanoparticules métalliques. Nature 502, 80 – 84 (2013).
Dobigeon, N. & Brun, N. Analyse du mélange spectral des images spectrales EELS. Ultramicroscopie 120, 25 – 34 (2012).
Altmann, Y., McLaughlin, S. & Hero, A. Démixage spectral linéaire robuste utilisant la détection d'anomalies. IEEE Trans. Calcul. Imagerie 1, 74 – 85 (2015).
Bosman, M., Watanabe, M., Alexander, DTL & Keast, VJ Cartographie des informations chimiques et de liaison à l'aide d'une analyse multivariée d'images du spectre de perte d'énergie électronique. Ultramicroscopie 106, 1024 – 1032 (2006).
Kalinine, SV et al. Séparation de mécanismes physiquement distincts dans des nanostructures plasmoniques infrarouges complexes via la spectroscopie de perte d'énergie électronique améliorée par apprentissage automatique. Adv. Opter. Mater. 9, 2001808 (2021).
Linic, S., Aslam, U., Boerigter, C. & Morabito, M. Transformations photochimiques sur des nanoparticules métalliques plasmoniques. Nat. Maître. 14, 567 – 576 (2015).
Mukherjee, S. et al. Dissociation induite par les électrons chauds de H2 sur nanoparticules d'or supportées sur SiO2. Confiture. Chem. Soc. 136, 64 – 67 (2014).
van Schrojenstein Lantman, EM, Deckert-Gaudig, T., Mank, AJG, Deckert, V. & Weckhuysen, BM Processus catalytiques surveillés à l'échelle nanométrique avec spectroscopie Raman à pointe améliorée. Nat. Nanotechnologie. 7, 583 – 586 (2012).
Linic, S., Christopher, P. & Ingram, DB Nanostructures plasmoniques-métalliques pour une conversion efficace de l'énergie solaire en énergie chimique. Nat. Maître. 10, 911 – 921 (2011).
Masood, H., Toe, CY, Teoh, WY, Sethu, V. & Amal, R. Apprentissage automatique pour la découverte accélérée de photocatalyseurs solaires. ACS Catal. 9, 11774 – 11787 (2019).
Martirez, JMP, Bao, JL & Carter, EA Aperçu des premiers principes de la catalyse induite par les plasmons. Annu. Rév. Phys. Chim. 72, 99 – 119 (2021).
Rück, M., Garlyyev, B., Mayr, F., Bandarenka, AS & Gagliardi, A. Activités de réduction de l'oxygène des électrocatalyseurs à noyau et coque en platine contraints prédites par l'apprentissage automatique. J.Phys. Chim. Lett. 11, 1773 – 1780 (2020).
Chen, C. & Li, SZ Valence pseudopermittivité dépendante de la densité d'électrons pour les effets non locaux dans les propriétés optiques des nanoparticules métalliques. Photonique ACS 5, 2295 – 2304 (2018).
Hu, W. et al. Protocole d'apprentissage automatique pour la spectroscopie Raman améliorée en surface. J.Phys. Chim. Lett. 10, 6026 – 6031 (2019).
Chu, W., Saidi, WA et Prezhdo, OV Électron chaud à longue durée de vie dans une particule métallique pour la plasmonique et la catalyse : dynamique moléculaire ab initio non adiabatique avec apprentissage automatique. ACS Nano 14, 10608 – 10615 (2020).
Sun, B., Fernandez, M. & Barnard, AS Apprentissage automatique pour la prédiction des propriétés de transfert d'électrons des nanoparticules d'argent. J. Chem. Inf. Modèle. 57, 2413 – 2423 (2017).
Nesfchi, MM et al. Fabrication de nanoparticules plasmoniques/TiO dopé cobalt2 nanofeuillets pour la dégradation de la tétracycline et modélisation du processus par des techniques d'intelligence artificielle. Mater. Sci. Semicond. Processus. 122, 105465 (2021).
Mikolajczyk, A. et al. Une approche chimioinformatique pour la caractérisation des nanomatériaux hybrides : perspective de conception plus sûre et efficace. Nanoscale 11, 11808 – 11818 (2019).
Szczerbiński, J., Gyr, L., Kaeslin, J. & Zenobi, R. La photocatalyse pilotée par Plasmon conduit à des produits connus de la chimie de surface induite par les faisceaux électroniques et les rayons X. Nano Lett. 18, 6740 – 6749 (2018).
Domulevicz, L., Jeong, H., Paul, NK, Gomez-Diaz, JS & Hihath, J. Caractérisation multidimensionnelle de la dynamique d'une seule molécule dans une nanocavité plasmonique. Angew. Chem. Int. Éd. 60, 16436 – 16441 (2021).
Tian, C. et al. Apprentissage profond sur le débruitage d'images : un aperçu. Neural Netw. 131, 251 – 275 (2020).
Adir, O. et al. Intégrer l'intelligence artificielle et la nanotechnologie pour la médecine de précision contre le cancer. Av. Mater. 32, 1901989 (2020).
Cui, F., Yue, Y., Zhang, Y., Zhang, Z. & Zhou, HS Faire progresser les biocapteurs avec l'apprentissage automatique. ACS Sens. 5, 3346 – 3364 (2020).
Jin, X., Liu, C., Xu, T., Su, L. & Zhang, X. Biocapteurs d'intelligence artificielle : défis et perspectives. Biosens. Bioélectron. 165, 112412 (2020).
Masson, JF Biocapteurs cliniques à résonance plasmonique de surface pour le diagnostic médical. ACS Sens. 2, 16 – 30 (2017).
Gomes, JCM, Souza, LC & Oliveira, LC Capteur SmartSPR : approches d'apprentissage automatique pour créer des capteurs intelligents basés sur des plasmons de surface. Biosens. Bioélectron. 172, 112760 (2021).
Thadson, K., Visitsattapongse, S. & Pechprasarn, S. Algorithme de récupération de phase à un coup basé sur l'apprentissage profond pour l'application de détection d'indice de réfraction basée sur un microscope à résonance de plasmon de surface. Sci. représentant 11, 16289 (2021).
Song, MK, Chen, SX, Hu, PP, Huang, CZ et Zhou, J. Analyse automatisée de l'imagerie par diffusion par résonance plasmonique via un apprentissage en profondeur. Anal. Chem. 93, 2619 – 2626 (2021).
Weng, SZ et al. Réseaux d'apprentissage profond pour la reconnaissance et la quantification de la spectroscopie Raman améliorée en surface. Analyste 145, 4827 – 4835 (2020).
Erzina, M. et al. Détection précise du cancer grâce à la combinaison de surfaces SERS fonctionnalisées et d'un réseau neuronal convolutif avec des entrées indépendantes. Actionneurs Sens. B308, 127660 (2020).
Fang, XL et al. Discrimination rapide des cellules tumorales et sanguines par des spectres de diffusion Raman améliorés en surface sans étiquette et un apprentissage en profondeur. J.Appl. Phys. 129, 127660 (2021).
Hunter, R. et al. Plateforme SERS optofluidique sans étiquette pour la détection rapide des bactéries dans le sérum. Actionneurs Sens. B300, 126907 (2019).
Lussier, F., Thibault, V., Charron, B., Wallace, GQ et Masson, JF Méthodes d'apprentissage profond et d'intelligence artificielle pour la diffusion Raman et la diffusion Raman améliorée en surface. Tendances Anal. Chem. 124, 115796 (2020).
Thrift, WJ et al. Analyse d'apprentissage en profondeur des spectres vibrationnels du lysat bactérien pour des tests rapides de sensibilité aux antimicrobiens. ACS Nano 14, 15336 – 15348 (2020).
Kajendirarajah, U., Olivia Avilés, M. & Lagugné-Labarthet, F. Décryptage de l'imagerie Raman améliorée par la pointe des nanotubes de carbone avec des réseaux de neurones d'apprentissage en profondeur. Phys. Chim. Chim. Phys. 22, 17857 – 17866 (2020).
Zivanovic, V. et al. Nanodétection optique de l'accumulation de lipides due à l'inhibition enzymatique dans les cellules vivantes. ACS Nano 13, 9363 – 9375 (2019).
de Albuquerque, CDL, Sobral-Filho, RG, Poppi, RJ & Brolo, AG Protocole numérique pour l'analyse chimique à des concentrations ultra-faibles par diffusion Raman améliorée en surface. Anal. Chem. 90, 1248 – 1254 (2018).
Thrift, WJ & Ragan, R. Quantification de la concentration d'analyte dans le régime d'une seule molécule à l'aide de réseaux neuronaux convolutifs. Anal. Chem. 91, 13337 – 13342 (2019).
Thrift, WJ et al. Boussole d'odeur basée sur la diffusion Raman améliorée en surface : localisation de plusieurs sources chimiques et agents pathogènes. ACS Sens. 4, 2311 – 2319 (2019).
Smith, JD et al. Étiquettes anti-contrefaçon plasmoniques à haute capacité d'encodage rapidement authentifiées grâce à l'apprentissage automatique approfondi. ACS Nano 15, 2901 – 2910 (2021).
LeCun, Y., Bengio, Y. & Hinton, G. Apprentissage en profondeur. Nature 521, 436 – 444 (2015).
Lashgari, E., Liang, D. & Maoz, U. Augmentation des données pour l'électroencéphalographie basée sur l'apprentissage en profondeur. J. Neurosci. Les méthodes 346, 108885 (2020).
Xie, Y. et al. Comment réaliser l'auto-identification dans l'analyse Raman par extraction de caractéristiques spectrales et hypergraphe adaptatif. Spectrochim. Acte A 222, 117086 (2019).
Ainsi, S., Badloe, T., Noh, J., Bravo-Abad, J. & Rho, J. L'apprentissage en profondeur a permis la conception inverse en nanophotonique. Nanophotonique 9, 1041 – 1057 (2020).
Xu, X., Aggarwal, D. & Shankar, K. Prédiction instantanée des propriétés et conception inverse de nanostructures plasmoniques à l'aide de l'apprentissage automatique : applications actuelles et orientations futures. nanomatériaux 12, 633 (2022).
Kabir, HMD, Khosravi, A., Hosen, MA & Nahavandi, S. Quantification de l'incertitude basée sur le réseau neuronal : une enquête sur les méthodologies et les applications. Accès IEEE 6, 36218 – 36234 (2018).
Jospin, LV, Laga, H., Boussaid, F., Buntine, W. & Bennamoun, M. Réseaux de neurones bayésiens pratiques - un tutoriel pour les utilisateurs d'apprentissage en profondeur. Calcul IEEE. Renseignement. Mag. 17, 29 – 48 (2022).
Deng, C., Ji, X., Rainey, C., Zhang, J. & Lu, W. Intégration de l'apprentissage automatique aux connaissances humaines. iScience 23, 101656 (2020).
Nickel, M., Murphy, K., Tresp, V. & Gabrilovich, E. Examen de l'apprentissage automatique relationnel pour les graphes de connaissances. Proc. IEEE 104, 11 – 33 (2016).
Adadi, A. & Berrada, M. Regarder à l'intérieur de la boîte noire : une enquête sur l'intelligence artificielle explicable. Accès IEEE 6, 52138 – 52160 (2018).
Gilpin, LH et al. Expliquer les explications : un aperçu de l'interprétabilité de l'apprentissage automatique. Dans Proc. 2018e Conférence internationale de l'IEEE 5 sur la science des données et l'analyse avancée (DSAA) 80-89 (IEEE, 2018).
Linardatos, P., Papastefanopoulos, V. & Kotsiantis, S. IA explicable : un examen des méthodes d'interprétabilité de l'apprentissage automatique. Entropie 23, 18 (2021).
Lipton, ZC Le mythe de l'interprétabilité des modèles : dans l'apprentissage automatique, le concept d'interprétabilité est à la fois important et glissant. Queue 16, 31 – 57 (2018).
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- Platoblockchain. Intelligence métaverse Web3. Connaissance Amplifiée. Accéder ici.
- La source: https://www.nature.com/articles/s41565-022-01284-0