近日，來自大阪大學的科研團隊利用深度學習減少了從納米孔中收集電流數據時的噪音，這意味著在處理非常微小的實驗或醫療診斷時能提供更高精度的測量結果。來自大阪大學科學與工業研究所的科學家們使用機器學習方法，提高當小球體通過切入矽基底的微觀納米孔時收集到數據的信噪比。這項工作可能導致在對DNA 進行測序或檢測小濃度的病原體時提供更敏感的數據結果。

微型化為包括疾病的即時檢驗（point-of-care detection）等一系列診斷工具提供了可能，可以快速的用非常小的樣本進行。例如，未知顆粒可以通過讓它們通過納米孔並記錄電流的微小變化來進行分析。然而，這些信號的強度可能非常低，而且往往被掩蓋在隨機噪聲之下。顯然需要新的技術來提取有用的信息。

現在，來自大阪大學的科學家已經使用深度學習對納米孔數據“去噪”。大多數機器學習方法需要用許多”乾淨”的例子進行訓練，然後才能解釋噪聲數據集。然而，使用一種名為”Noise2Noise “的技術，該技術最初是為增強圖像而開發的，該團隊能夠提高噪聲運行的分辨率，即使沒有乾淨的數據可用。深度神經網絡的作用就像大腦中的分層神經元，被用來減少數據中的干擾。

第一作者Makusu Tsutsui 說：“深度去噪使我們能夠揭示出被隨機波動隱藏的離子電流信號中的微弱特徵。我們的算法旨在選擇最能代表輸入數據的特徵，從而使計算機能夠檢測並減去原始數據中的噪聲”。這個過程被重複了很多次，直到恢復了基本信號。從本質上講，利用許多噪音運行來產生一個乾淨的信號。

高級作者Takashi Washio 解釋說：“我們的方法可能會擴大納米孔傳感的能力，以快速和準確地檢測感染疾病。即使基礎信號非常弱的情況下，這項研究可能會導致更準確的診斷測試”。