Fluorescence correlation spectroscopy (FCS) is a method for statisticallyanalyzing the time correlation of fluctuations in a sample’s fluorescenceintensity. The data obtained from experiments are often noisy, and thecurrent procedure—where the final result is derived through curve fitting ofthe experimental data’s autocorrelation—does not necessarily yield the highestprecision for diffusion time and concentration, which are the key parameters ofinterest. In recent years, machine learning (ML) has been successfully appliedto a wide range of problems, particularly those involving noisy data. Thisthesis explores the potential of improving the accuracy of FCS using deepsupervised learning by training a neural network on raw data with knownparameter values. To generate sufficiently large datasets for this purpose,a large number of experiments have been simulated. The results from thetraining were then evaluated by comparing them to the traditional approachbased on autocorrelation curve fitting. Deep learning demonstrated higherprecision than curve fitting for the same measurement duration. In fact,for measurement durations around one second, curve fitting approximatelyrequired twice as long measurement time to achieve the same accuracy indetermining diffusion time as deep learning.

Fluorescenskorrelations-spektroskopi är en metod för att statistiskt analysera korrelationen över tid hos fluktuationer i ett provs fluorescensintensitet. Datan som erhålls vid experimenten kan ofta vara brusig och det är inte säkert att nuvarande förfarande där slutresultatet fås genom kurvanpassning av experimentdatans autokorrelation ger högst precision på diffusionstiden och koncentrationen vilket är det som söks. Maskininlärning har på senare år kommit att användas i ett stort antal tillämpningar och nått stor framgång, speciellt på brusig data. Detta examensarbete utforskar möjligheten att genom djup vägledd inlärning förbättra noggrannheten hos FCS med att träna ett nätverk på rådatan med kända värden på proverna. För generera tillräckligt stora datamängder till detta har ett stort antal experiment simulerats. Resultatet från träningen har sedan jämförts utifrån anpassning av autokorrelationskurvan. På mättider runt en sekund visade sig djupinlärning ge högre precision än kurvanpassning på samma mättid, där det vid anpassning krävdes ungefär dubbelt så lång mättid för att nå samma noggrannhet på bestämningen av diffusionstiden som vid djupinlärning.