最近，人们对于可以在通话过程中实时翻译语音的手机非常感兴趣。这项技术源自深度学习，这是机器学习的一个分支，依赖于人工神经网络。人工智能已经成为我们生活中不可或缺的一部分，各个研究领域都在利用它来取得显著的进步。
一个由机械工程系、化学工程系和电气工程系的 Junsuk Rho 教授、浦项科技大学机械工程系的博士生 Seokho Lee 和 Kyungtae Kim 以及大邱大学物理教育系的 Hee-Jo Lee 教授组成的合作研究团队最近开发了一种使用深度学习技术测量葡萄糖的新方法。他们的研究发表在《激光与光子学评论》上，这是一本专注于纳米科学、纳米技术、材料和传感的国际期刊。
超材料是一种人工材料，具有自然界中不存在的独特电磁特性，使它们能够操纵光或微波等电磁波。超材料设计中使用的一种常见结构是开口环谐振器 (SRR)，其特点是环的中心有一个裂缝。这种设计允许 SRR 吸收、穿透或反射特定频率的电磁场，并由于平滑电流的中断而放大信号，从而导致环内产生电磁共振。虽然 SRR 已广泛应用于传感器，但由于温度、湿度和样品位置等因素的影响，测量结果不一致且不可靠，限制了其有效性。
在这项研究中，该团队旨在解决由于样本位置变化而导致的基于 SRR 的传感器电信号波动问题。他们首先优化传感器，使用光刻工艺(用光在半导体上创建图案)放大 0.5 至 18 GHz 频率范围内的电信号。然后，研究人员采用深度学习技术，使葡萄糖传感器能够从在不同位置测量的电信号中学习。
在此基础上，团队开发了一维卷积神经网络(1D CNN)并进行了实验，结果表明，该模型能够有效补偿样本位置变化带来的误差，平均绝对误差(MAE)达到0.695%，均方误差(MSE)达到0.876%。
在一项旨在预测菠萝汁、济州柑橘汁和 Shine Muscat 等真实果汁的白利度的实验中，利用研究团队的 1D CNN 模型的葡萄糖测量传感器表现出了很高的准确性，MAE 达到 0.45%，MSE 达到 0.305%。通过克服 SRR 的固有挑战，研究人员开发出了一种适合实际使用的可靠葡萄糖测量传感器。
浦项科技大学的 Junsuk Rho 教授表示：“我们成功地控制了对样品位置变化敏感的电信号，从而提高了血糖测量设备的一致性和可靠性。”他继续说道：“值得注意的是，这项技术可以商业化并利用已在半导体行业广泛应用的光刻工艺进行量产。”
该项研究得到了韩国国家研究基金会、科学和信息通信技术部、贸易、工业和能源部、大邱大学 IACF、浦项制铁产学综合研究中心和三星电子(三星战略产学计划)的支持。