論文の概要、ライセンス

# (参考訳) 畳み込みニューラルネットワークエンコーダデコーダモデルを用いたX線光子相関分光法のノイズ低減 [全文訳有]

Noise Reduction in X-ray Photon Correlation Spectroscopy with Convolutional Neural Networks Encoder-Decoder Models ( http://arxiv.org/abs/2102.03877v1 )

ライセンス: CC BY 4.0
Tatiana Konstantinova, Lutz Wiegart, Maksim Rakitin, Anthony M. DeGennaro, Andi M. Barbour(参考訳) 他の実験手法と同様に、x線光子相関分光法は様々なノイズの対象となる。 ランダムおよび相関ゆらぎと不均一性は2時間相関関数に存在し、サンプルの固有力学に関する情報を曖昧にすることができる。 実験データのノイズの異なる起源を同時に解決することは困難です。 畳み込みニューラルネットワークエンコーダデコーダ(CNN-ED)モデルに基づく2時間相関関数の信号対雑音比向上のための計算手法を提案する。 このようなモデルは畳み込み層を介して画像から特徴を抽出し、低次元空間に投影し、変換された畳み込み層を介してこの縮小表現からクリーンイメージを再構築する。 EDモデルがランダムノイズ除去の一般的なツールであるだけでなく、低信号対雑音データへの適用は、信号の機能形態を学ぶことができるため、データの定量的使用率を高めることができる。 実世界の実験データに基づいて訓練されたcnn-edモデルは,統計ノイズと動的不均一性を含む2時間相関関数から平衡ダイナミクスパラメータを効果的に抽出するのに役立つ。 モデルのパフォーマンスと適用可能性の限界を最適化するための戦略を議論する。

Like other experimental techniques, X-ray Photon Correlation Spectroscopy is a subject to various kinds of noise. Random and correlated fluctuations and heterogeneities can be present in a two-time correlation function and obscure the information about the intrinsic dynamics of a sample. Simultaneously addressing the disparate origins of noise in the experimental data is challenging. We propose a computational approach for improving the signal-to-noise ratio in two-time correlation functions that is based on Convolutional Neural Network Encoder-Decoder (CNN-ED) models. Such models extract features from an image via convolutional layers, project them to a low dimensional space and then reconstruct a clean image from this reduced representation via transposed convolutional layers. Not only are ED models a general tool for random noise removal, but their application to low signal-to-noise data can enhance the data quantitative usage since they are able to learn the functional form of the signal. We demonstrate that the CNN-ED models trained on real-world experimental data help to effectively extract equilibrium dynamics parameters from two-time correlation functions, containing statistical noise and dynamic heterogeneities. Strategies for optimizing the models performance and their applicability limits are discussed.
公開日: Sun, 7 Feb 2021 18:38:59 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
1 2 0 2 b e F 7 1 2 0 2 b e F 7 0.85
] i c sl r t ]i c sl r t 0.80
m . t a md n o c [ M . t a md n o c [] 0.77
1 v 7 7 8 3 0 1 v 7 7 8 3 0 0.85
. 2 0 1 2 : v i X r a . 2 0 1 2 : v i X r a 0.85
Noise Reduction in X-ray Photon Correlation Spectroscopy with Convolutional Neural Networks Encoder-Decoder Models Tatiana Konstantinova1, Lutz Wiegart1, Maksim Rakitin1, Anthony M. DeGennaro1, +, and Andi M. Barbour1, * 畳み込みニューラルネットワークエンコーダデコーダモデルTatiana Konstantinova1, Lutz Wiegart1, Maksim Rakitin1, Anthony M. DeGennaro1, +, Andi M. Barbour1, *によるX線光子相関スペクトルのノイズ低減 0.87
1Brookhaven National Laboratory, NSLS-II, Upton, NY 11973, USA +adegennaro@bnl.gov *abarbour@bnl.gov 1Brookhaven National Laboratory, NSLS-II, Upton, NY 11973, USA +adegennaro@bnl.gov *abarbour@bnl.gov 0.84
ABSTRACT Like other experimental techniques, X-ray Photon Correlation Spectroscopy is a subject to various kinds of noise. ABSTRACT 他の実験手法と同様に、x線光子相関分光法は様々なノイズの対象となる。 0.81
Random and correlated fluctuations and heterogeneities can be present in a two-time correlation function and obscure the information about the intrinsic dynamics of a sample. ランダムおよび相関ゆらぎと不均一性は2時間相関関数に存在し、サンプルの固有力学に関する情報を曖昧にすることができる。 0.76
Simultaneously addressing the disparate origins of noise in the experimental data is challenging. 実験データのノイズの異なる起源を同時に解決することは困難です。 0.77
We propose a computational approach for improving the signal-to-noise ratio in two-time correlation functions that is based on Convolutional Neural Network Encoder-Decoder (CNN-ED) models. 畳み込みニューラルネットワークエンコーダデコーダ(CNN-ED)モデルに基づく2時間相関関数の信号対雑音比向上のための計算手法を提案する。 0.84
Such models extract features from an image via convolutional layers, project them to a low dimensional space and then reconstruct a clean image from this reduced representation via transposed convolutional layers. このようなモデルは畳み込み層を介して画像から特徴を抽出し、低次元空間に投影し、変換された畳み込み層を介してこの縮小表現からクリーンイメージを再構築する。 0.73
Not only are ED models a general tool for random noise removal, but their application to low signal-to-noise data can enhance the data’s quantitative usage since they are able to learn the functional form of the signal. EDモデルはランダムノイズ除去のための一般的なツールであるだけでなく、低信号対雑音データに適用することで、信号の機能形式を学習できるため、データの量的使用量を高めることができる。 0.87
We demonstrate that the CNN-ED models trained on real-world experimental data help to effectively extract equilibrium dynamics’ parameters from two-time correlation functions, containing statistical noise and dynamic heterogeneities. 実世界の実験データに基づいて訓練されたcnn-edモデルは,統計ノイズと動的不均一性を含む2時間相関関数から平衡ダイナミクスのパラメータを効果的に抽出するのに役立つ。 0.72
Strategies for optimizing the models’ performance and their applicability limits are discussed. モデルのパフォーマンスと適用可能性の限界を最適化するための戦略を説明します。 0.70
Introduction Noise reduction in experiments facilitates reliable extraction of useful information from a smaller amount of data. 実験におけるノイズ低減の導入は、少量のデータから有用な情報を抽出するのに役立つ。 0.74
This allows for more efficient use of experimental and analytical resources as well as enables the study of systems with intrinsically limited measurement time, e.g. これにより、実験的および分析的な資源をより効率的に利用でき、また本質的に限られた測定時間を持つシステムの研究も可能となる。 0.75
cases with sample damage or out-of-equilibrium dynamics. サンプル損傷か平衡のダイナミクスの例。 0.69
While instrumentation development and optimization of experimental protocols are crucial in noise reduction, there are situations where computational methods can advance the improvements even further. 実験プロトコルのインスツルメンテーションの開発と最適化はノイズ低減に不可欠であるが、計算手法がさらに改善を進めることができる状況がある。 0.86
X-ray Photon Correlation Spectroscopy (XPCS)1–3 is a statistics-based technique that extracts information about a sample’s dynamics through spatial and temporal analysis of intensity correlations between sequential images (frames) of a speckled pattern collected from coherent X-ray beam scattered from the sample. X-ray Photon Correlation Spectroscopy (XPCS)1–3は、サンプルから散乱したコヒーレントX線から集めたスペクトルパターンの連続画像(フレーム)の強度相関の空間的および時間的分析によって、サンプルのダイナミクスに関する情報を抽出する統計ベースの技術である。 0.85
The two-time intensity-intensity correlation function4, 5 (2TCF) is a matrix calculated as: 2回強度-強度相関関数4,5 (2tcf) は以下の行列である。 0.66
C2(qqq,t1,t2) = C2(qqq,t1,t2) = 0.90
(cid:104)I(qqq,t1)I( qqq,t2)(cid:105) (cid:104)I(qqq,t1)(c id:105)(cid:104)I(qq q,t2)(cid:105) (cid:104)I(qqq,t1)I( qqq,t2)(cid:105)(cid :104)I(qqq,t1)(cid:1 05)(cid:104)I(qqq,t2 )(cid:105) 0.86
(1) where I(qqq,t) is the intensity of a detector pixel corresponding to the wave vector qqq at time t. The average is taken over pixels with equivalent qqq values. (1) ここで I(qqq,t) は、時間 t における波ベクトル qqq に対応する検出器ピクセルの強度である。
訳抜け防止モード: (1) I(qq, t ) は t における波動ベクトル qqq に対応する検出器画素の強度である。 平均値は同等のqqq値のピクセルに渡される。
0.86
An example of a 2TCF is shown in Fig. 2TCFの例を図に示します。 0.68
1. The dimensions of the matrix are NxN, where N is a number of frames in the experimental series. 1. 行列の次元は NxN であり、N は実験系列内のフレームの数である。
訳抜け防止モード: 1. 行列の次元は NxN であり、そこでは N は実験級数における多くのフレームである。
0.84
The dynamics can be traced along the lag times δt = |t1 −t2|. 力学は δt = |t1 −t2| のラグ時間に沿ってトレースできる。 0.62
In the case of equilibrium dynamics, information from a 2TCF can be ‘condensed’ to a single dimension by integrating along the (1,1) diagonal producing a time-averaged one-time photon correlation function (1TCF)6: 平衡力学の場合、2TCFからの情報は (1,1) 対角線に沿って統合し、時間平均1時間光子相関関数 (1TCF)6 によって単一の次元に「凝縮」することができる。 0.75
C1(qqq,δt) = C∞ + β| f (qqq,δt)|2 C1(qqq,δt) = C∞ + β| f (qqq,δt)|2 0.88
(2) where f (qqq,δt) is the intermediate scattering function at lag time δt, β is the optical contrast and C∞ is the baseline that equals to 1 for ergodic samples. (2) ここで、f (qqq,δt) はラグタイムδt の中間散乱関数であり、β は光学コントラストであり、C∞ はエルゴドサンプルの 1 に等しい基底線である。 0.86
While 1TCF can be directly obtained from raw data7, calculating 2TCF as an intermediate step is beneficial even for presumably equilibrium cases. 1TCFは生データから直接得ることができます7、中間ステップとして2TCFを計算することはおそらく平衡の場合のために有益です。
訳抜け防止モード: 1TCFは生データ7から直接取得できる。 中間段階としての2TCFの計算 バランスの取れたケースでも有益です
0.76
2TCF contains time-resolved information about both samples’ intrinsic dynamics and fluctuations of the experimental conditions, which enables one to determine between stationary and non-stationary dynamics and whether or not the time-averaged 1TCF is a valid representation of the scattering series. 2TCFには、サンプルの固有力学と実験条件の変動に関する時間分解情報が含まれており、定常力学と非定常力学を区別し、時間平均1TCFが散乱系列の有効な表現であるか否かを判断することができる。 0.68
Investigation of 2TCF 2TCFの検討 0.81
英語(論文から抽出)日本語訳スコア
helps to identify single-frame events, such as cosmic rays detection, and beam-induced dynamics, where timescales might vary with the accumulation of X-ray dose absorbed by the sample during the acquisition of the dataset. 宇宙線検出やビーム誘起力学などの単一フレームイベントの特定に役立ち、データセットの取得中にサンプルが吸収するX線線量の蓄積によって、時間スケールが変化する可能性がある。 0.75
XPCS experiments can suffer from various sources of noise and artifacts: probabilistic nature of photon scattering, detector shot noise, and instrumentational instabilities. XPCS実験は、光子散乱の確率的性質、検出器ショットノイズ、機器不安定性の様々なノイズやアーチファクトの源に悩まされることがある。
訳抜け防止モード: XPCS実験は様々なノイズやアーティファクトの原因に悩まされる可能性がある : 光子散乱の確率論的性質 探知機 ショットノイズ 計器不安定
0.81
Significant progress in reduction of the noise involved in photon detection and counting has been made by developing single-photon counting devices8, 9 and employment of the ‘droplet’ algorithm10 or pixel binning11. 単光子計数装置8,9の開発と「ドロップレット」アルゴリズム10またはピクセルバイニング11の採用により、光子検出および計数に関わるノイズの低減が著しい進歩を遂げています。 0.81
Efforts have been dedicated to integrating feedback loops12, 13 into instrumentational controls to reduce the impact of instabilities. フィードバックループ12,13をインスツルメンテーションコントロールに統合して、不安定性の影響を低減する努力が続けられている。
訳抜け防止モード: 努力は フィードバックループ12,13をインスツルメンテーションコントロールに統合することで、不安定性の影響を低減する。
0.71
Despite the current advances of experimental setup and methods for data analysis in reduction of noise and instability effects, achieving high signal-to-noise ratio is still a practical challenge in many XPCS experiments. ノイズの低減と不安定性の低減のための実験装置とデータ解析手法の進歩にもかかわらず、多くのXPCS実験において高い信号対雑音比を達成することは実際的な課題である。 0.70
The need to suppress the high-frequency fluctuations leads to extended data collection times – an approach that itself can introduce additional errors, for instance slow changes in experimental conditions. 高周波変動を抑制する必要性は、データ収集時間の延長につながります。これは、実験条件の遅い変化など、追加のエラーを導入することができるアプローチです。 0.62
Limited experimental resources may not allow for multiple repeated measurements for systems with very slow dynamics. 限られた実験資源は、非常に遅い力学を持つ系の繰り返し測定を許さない。 0.74
Besides, a sample’s intrinsic properties can limit the time-range, within which the dynamics can be considered5 as equilibrium and thus quantitatively evaluated with Eq. さらに、サンプルの固有の性質は、ダイナミクスを平衡と見なすことができ、eqで定量的に評価できる時間範囲を制限することができる。 0.71
2. A tool that helps to accurately extract parameters of the system’s equilibrium dynamics from a limited amount of noisy data would be useful, but no generally applicable, out-of-the-box tool exists for XPCS results. 2. 限られたノイズデータからシステムの平衡ダイナミクスのパラメータを正確に抽出するのに役立つツールは有用ですが、XPCS結果には一般的に適用可能なアウトオブボックスツールは存在しません。 0.80
Solutions based on artificial neural networks are attractive candidates as they are broadly used for application-specific noise removal. ニューラルネットワークに基づくソリューションは、アプリケーション固有のノイズ除去に広く使われているため、魅力的な候補である。 0.64
Among such solutions are extensions of autoencoder models14, which are unsupervised algorithms for learning a condensed representation of an input signal. そのような解の中には、入力信号の凝縮表現を学習するための教師なしアルゴリズムであるautoencoder model14の拡張がある。 0.64
The principle behind an autoencoder is based on a common fact that the information about significant non-random variations in data is contained in a much smaller number of variables than the dimensionality of the data. オートエンコーダの背後にある原理は、データにおける大きな非ランダムな変動に関する情報がデータの次元性よりもはるかに少ない変数に含まれるという共通の事実に基づいている。 0.81
An autoencoder model consists of two modules: encoder and decoder. オートエンコーダモデルは、エンコーダとデコーダの2つのモジュールで構成される。 0.66
The encoder transforms the input signal to a set of unique variables called latent space. エンコーダは入力信号をラテント空間と呼ばれる一組のユニークな変数に変換する。 0.71
The decoder part then attempts to transform the encoded variables back to the original input. デコーダ部は、符号化された変数を元の入力に戻そうとする。 0.69
As the number of components in the latent space is generally much smaller than the number of components in the original input, the nonessential information, i.e. 潜在空間内の成分の数は、一般に元の入力の成分の数、つまり必要でない情報よりもはるかに小さい。 0.70
random noise, is lost during such transformations. ランダムノイズは このような変化の間に失われます 0.57
Thus, an autoencoder model on its own can be used as an effective noise reduction tool. これにより、単独のオートエンコーダモデルを効果的なノイズ低減ツールとして使用できる。 0.81
However, in the scope of this work we employ a broader idea of noise. しかしながら、この作業の範囲では、より広いノイズの考え方を採用しています。 0.59
We treat all dynamic heterogeneities due to changes in a sample configuration caused by stress or diffusive processes, as well as correlated noise in 2TCF, as an unwanted signal. 応力や拡散過程による試料構成の変化、および2TCFの相関ノイズによるすべての動的不均一性は、望ましくない信号として扱われます。 0.83
An autoencoder model can be modified to address the removal of a deterministic, application-specific noise by replacing its targets with ‘noise-free’ versions of the input signals. 自動エンコーダモデルは、ターゲットを入力信号の「ノイズフリー」バージョンに置き換えることで、決定論的でアプリケーション固有のノイズの除去に対処するように変更することができる。 0.72
In the case of an image-like input, such as an XPCS 2TCF, convolutional neural networks (CNN) are the obvious choice for the encoder and decoder modules. XPCS 2TCFのような画像のような入力の場合、畳み込みニューラルネットワーク(CNN)はエンコーダとデコーダモジュールにとって明らかな選択である。 0.77
CNN-based encoder-decoder (CNN-ED) models have been successfully implemented for noise removal and restoration of impaired signals in audio applications15, 16 and images17, 18. CNNベースのエンコーダデコーダ(CNN-ED)モデルは,音声アプリケーション15,16および画像17,18における障害信号の除去と復元に成功している。 0.77
Here, we demonstrate an approach for noise reduction in 2TCFs by means of CNN-ED models. 本稿では,CNN-EDモデルを用いた2TCFの雑音低減手法について述べる。 0.77
An ensemble of such models, trained on real experimental data, shows noticeable supression of noise while preserving the functional form of system’s equilibrium dynamics and the temporal resolution of the signal. このようなモデルのアンサンブルは、実際の実験データに基づいて訓練され、システムの平衡ダイナミクスの機能形態と信号の時間分解を保ちながら、ノイズの顕著な抑制を示す。 0.77
Addressing noise removal from 2TCF instead of the scattering signal at the detector makes the approach agnostic to the type of the registering device, the size of the selected area, the shape of the speckles, the intensity of the scattering signal and the exposure time, enabling the models’ application to a wide range of XPCS experiments. 検出器の散乱信号の代わりに2TCFからのノイズ除去に対処することで、登録装置の種類、選択領域のサイズ、スペックルの形状、散乱信号の強度および露光時間に依存しないアプローチを行い、モデルの幅広いXPCS実験への応用を可能にします。 0.66
Results Data Processing. We train our models using data from the measurements of equilibrium dynamics of nanoparticle filled polymer systems conducted at the Coherent Hard X-ray Scattering (CHX) beamline at NSLS-II. 結果データ処理。 NSLS-IIのCoherent Hard X-ray Scattering(CHX)ビームラインで実施されたナノ粒子充填ポリマーシステムの平衡ダイナミクスの測定データを用いたモデルトレーニングを行います。 0.78
For the nanoparticles’ dynamics Eq. ナノ粒子のダイナミクスEqのため。 0.76
2 takes the form5: 2 は form5 を取ります。 0.65
C1(qqq,t) = C∞ + β e−2(Γt)α C1(qqq,t) = C∞ + β e−2(\t)α 0.92
(3) where Γ is the rate of the dynamics and α is the compression constant. (3) ここでの * はダイナミクスの速度であり、α は圧縮定数である。 0.78
The baseline C∞ is nearly 1 in the considered cases. 基数 c∞ は考慮された場合でほぼ 1 である。 0.72
A typical experiment contains a series of 250 –1000 frames. 典型的な実験は250から1000フレームの連続を含む。 0.81
Multiple detectors’ regions of interest (ROI) corresponding to the equivalent wave vectors are analyzed for each series and the 2TCFs are calculated for each ROI. 等価波ベクトルに対応する複数の検出器の関心領域(ROI)を各系列で分析し、2TCFを各ROIで計算します。 0.84
For each model datum, or an example, the input image is obtained by cropping a 50x50 pixels part from a 2TCF with the center on the (1,1) diagonal, starting at the lower left corner, as shown in Fig. 図1に示すように、各モデルdatum、または例の場合、入力画像は、左下隅から始まる1,1対角の中央部を有する2TCFから50x50ピクセルの部分をトリミングすることによって得られる。 0.83
1(A). Each next datum is obtained by shifting the center of the cropped image along the diagonal. 1(A)。 各ダタムは、収穫された画像の中心を対角線に沿ってシフトさせることで得られる。
訳抜け防止モード: 1(A)。 次のデータムは 切り抜かれた画像の中央を対角線に沿って移動させる。
0.72
The target image for each example is the average of all the cropped inputs extracted from the same 2TCF. 各例のターゲット画像は、同じ2TCFから抽出されたすべてのクロップ入力の平均です。 0.76
Thus, groups of 5 to 20 inputs have the same target. したがって、5から20の入力のグループは同じターゲットを持つ。 0.77
While the target images still contain noise, its level is significantly reduced with respect to the one of the input images. 対象画像にはノイズが残るが、入力画像の1つに対して、そのレベルは大幅に低下する。 0.65
Here, the size of 50x50 pixels is chosen as for the majority of the examples in our dataset the dynamics’ parameters can be inferred from the first 50 frames. ここでは、データセットの例の大半で、最初の50フレームからダイナミクスのパラメータを推測することができるように50x50ピクセルのサイズが選択されます。 0.76
However, any size can be selected to train a model with no modification to its architecture if enough data are available. しかし、十分なデータが得られれば、そのアーキテクチャを変更することなくモデルをトレーニングするために、任意のサイズを選択することができる。
訳抜け防止モード: しかし どんなサイズでも選べます 十分なデータが得られれば、そのアーキテクチャを変更することなくモデルを訓練する。
0.75
The diagonal (lag=0) 2TCF values of the raw data reflect a normalized variance of the photon count. 原データの対角(lag=0)2TCF値は、光子数の正規化分散を反映する。 0.73
Such values are vastly different between experiments and detector ROIs. このような値は実験と検出器のROIとは大きく異なる。 0.66
They can by far exceed the values of photon correlation between frames フレーム間の光子相関の値を大きく超えることができます 0.80
2/15 2/15 0.59
英語(論文から抽出)日本語訳スコア
(typically on a scale between 1 and 1.5) and are usually excluded from the traditional XPCS analysis. 典型的には1から1.5のスケールで)、通常は従来のXPCS分析から除外される。 0.74
To prevent the influence of the high diagonal 2TCF values on the model cost function, we fill the pixels along the diagonal with the values randomly drawn from the distribution of 2TCF values at lag=1. モデルコスト関数に対する高対角2TCF値の影響を回避するため,ラグ=1における2TCF値の分布からランダムに引き出された値で対角線に沿った画素を埋める。 0.84
In doing so, we avoid artificial discontinuities in the images. その際、画像の人工的な不連続を避ける。 0.66
For a proper model training process all the input data should be brought to the same scale. 適切なモデルトレーニングプロセスでは、すべての入力データを同じスケールにする必要があります。 0.79
However, a commonly applied standard scaling is not suitable for the present case as the level of noise may affect the values of the essential parameters such as baseline and contrast. しかしながら、ノイズレベルがベースラインやコントラストといった必須パラメータの値に影響する可能性があるため、一般的に適用される標準スケーリングは、現在のケースには適していない。 0.72
To bring all examples to a similar scale, the contrast β = input − 1 is normalized by the value of contrast at lag=1 obtained from fitting the equivalent pixels’ intensity fluctuations with a negative binomial distribution6. すべての例を同様のスケールにするために、コントラスト β = input − 1 は、等価画素の強度変動を負の二項分布6に合わせることで得られるラグ=1のコントラストの値によって正規化される。 0.77
For this, the contrast, or speckle visibility, is calculated for each frame and is averaged among all the frames in the series. このため、各フレームのコントラストやスペックルの可視性は計算され、シリーズの全てのフレーム間で平均される。 0.78
After processing, the data are split into the training, validation and test sets as shown in Table 1. 処理後、データは、表1に示すように、トレーニング、検証、テストセットに分割されます。 0.77
The splitting is done in a way that no two inputs from different sets have the same target. 分割は、異なるセットからの2つの入力が同じターゲットを持たない方法で行われます。 0.83
Model Training. モデルトレーニング。 0.75
The ED model architecture used in this work is shown in Fig. この作品で使われているEDモデルアーキテクチャを図に示します。 0.75
2. The encoder part consists of two convolutional layers with the kernel size 1×1. 2. エンコーダ部分は、カーネルサイズ1×1の2つの畳み込み層からなる。 0.78
Larger kernel sizes do not further improve the performance of the model, which is expected since the input images do not have sharp edges or distinct features. より大きなカーネルサイズは、入力画像がシャープなエッジや明確な特徴を持たないため、モデルのパフォーマンスをさらに向上させません。 0.71
The first convolutional layer has 10 channels and the second layer has 20 channels with rectified linear unit (ReLU) activation function applied to the output of each channel. 第1畳み込み層は10チャネルを有し、第2層は20チャネルを有し、各チャネルの出力に適用される整流線形単位(relu)活性化関数を有する。 0.80
No pooling layers were introduced to prevent information loss at the encoding stage. エンコーディング段階での情報損失を防ぐためにプール層は導入されなかった。 0.74
The output of the convolutional layers contains 50,000 features. 畳み込み層の出力は50,000の機能を含んでいる。 0.59
A linear transformation is performed to convert them to the latent space of a much smaller dimension. 線型変換は、それらをより小さい次元の潜在空間に変換するために行われる。 0.74
The decoder part consists of 2 transposed convolutional layers that convert the latent space back to a 50×50 image. デコーダ部は、潜空間を50×50の画像に変換する2つの転置畳み込み層からなる。 0.81
The cost function used for optimizing the model weights is the mean squared error (MSE) between the model’s output and the target, which is shown to be useful for image denoising even in cases of some noise still being present in the target19. モデル重みを最適化するために使用されるコスト関数は、モデル出力とターゲットの間の平均二乗誤差(MSE)であり、ターゲットにまだノイズが存在する場合でも、画像の消音に有用であることが示されています19。 0.81
To avoid over-fitting, early stopping based on the cost function calculated for the validation set is adopted. 過度な適合を避けるため、検証セットで算出されたコスト関数に基づいて早期停止を行う。 0.78
However, the MSE of the validation set is not the only parameter to consider when selecting the optimal parameters for the model. しかし、検証セットのMSEは、モデルに最適なパラメータを選択する際に考慮すべき唯一のパラメータではありません。 0.76
For example, the MSE of the validation set does not have an obvious minimum for the models with the latent space dimensions between 2 and 200. 例えば、検証集合の MSE は、2 から 200 の間の潜在的な空間次元を持つモデルに対して明らかな最小値を持たない。 0.77
During a traditional XPCS data processing, not only is the visual representation of 2TCF important, but the values of dynamics’ parameters, such as β , Γ, α and C∞ are essential to drawing scientific conclusions. 従来のXPCSデータ処理では、2TCF の視覚的表現が重要であるだけでなく、β , s, α, C∞ などの動的パラメータの値は科学的な結論を導くのに不可欠である。 0.87
An efficient model would precisely recover these parameters for a broad set of observations. 効率的なモデルは、広い範囲の観測のためにこれらのパラメータを正確に回収する。 0.67
We thus select the optimal dimension based on generalizability of the model, i.e. したがって、モデルの一般化可能性、すなわち、最適次元を選択する。 0.69
the size of the range of dynamics’ parameters, for which the application of the model allows to accurately extract the parameters. モデルの適用によってパラメータを正確に抽出することができる、ダイナミクスのパラメータの範囲のサイズ。 0.74
Here, the rate of the dynamics Γ is the most important parameter to consider since the variation of β is taken care of by pre-processing normalization and the variations in α and C∞ are naturally very small in the considered applications. ここで、βの変動は正規化前処理によって考慮され、αおよびC∞の変動は考慮された適用で自然に非常に小さいので、ダイナミクスの率は、考慮すべき最も重要なパラメータです。 0.76
Since only a limited number of validation examples from the real experiments is available, we generate 2,000 examples of 2TCF from random parameters of Γ, C∞, α and the noise level to test the performance of the model over a broad parameter space. 実実験からの検証例は限られているため、ランダムなパラメータである*, C∞, αとノイズレベルから2,000例の2TCFを生成し、モデルの性能を広いパラメータ空間上でテストします。
訳抜け防止モード: 実際の実験から得られた検証例は限られた数に限られている。 γ, c∞, αのランダムパラメータと雑音レベルから2000個の2tcfの例を生成する。 幅広いパラメータ空間におけるモデルの性能をテストする。
0.87
The dynamics parameters and the amplitude of the Gaussian noise are uniformly distributed over the range of values that can be encountered by the experimental data. ガウス雑音の動的パラメータと振幅は、実験データに遭遇する可能性のある値の範囲にわたって均一に分布する。 0.76
The contrast β is set to unity. コントラスト β はユニティに設定される。 0.76
To reduce the variance associated with the randomness of the initial weights initialization, we train 10 models with different random initializations for each latent space dimension. 初期重みの初期化のランダム性に伴うばらつきを減らすために、各潜在空間次元ごとに異なるランダム初期化を持つ10モデルを訓練する。 0.82
For each of the 2,000 generated examples, the output of each model is converted to 1TCF, the results of models with the same latent space dimension averaged and then fit to Eq. 生成した2000の例のそれぞれに対して、各モデルの出力は1TCFに変換され、同じ潜在空間次元のモデルの平均値がEqに適合する。 0.82
3. By comparing the extracted fit parameters with the respective values used to generate the examples, we identify the span of Γ values where the models perform reasonably. 3. 抽出した適合パラメータと実例を生成するために使用する各値を比較することにより、モデルが合理的に機能する値の幅を同定する。 0.81
The results for ensembles of 10 models with different latent space dimensions are shown in Fig. 異なる潜在的な空間次元を持つ10モデルのアンサンブルの結果が図に示されています。 0.67
3. The convenience of such comparison is that it allows to distinguish between models with high bias and high variance. 3. このような比較の利便性は、高いバイアスと高いばらつきを持つモデルを区別できることです。 0.83
The models with larger latent space dimensions have less bias and perform well for more diverse sample dynamics than models with fewer latent variables. 潜在空間の寸法が大きいモデルはバイアスが少なく、潜在変数が少ないモデルよりも多様なサンプルダイナミクスでうまく機能します。 0.81
For quantitative analysis of the models’ performances see Methods. モデルのパフォーマンスを定量的に分析するには、Methodsを参照してください。 0.53
The ensemble with the latent space dimension of 200 was selected because it demonstrates the smallest bias for the broadest range of Γ. 200 の潜在空間次元を持つアンサンブルが選択されたのは、最も広い射程範囲で最小のバイアスを示すためである。 0.71
Models with larger latent space dimensions show no apparent increase of the applicability range. より大きい潜在空間次元を持つモデルは、適用範囲の明らかな増加を示さない。 0.75
To address the high variance of the CNN-ED with the latent space dimension of 200, we train 76 such models with different random initializations and select among them the 10 best performing models based on the MSE of the validation set. CNN-EDと潜時空間次元200の高分散に対処するため、確率初期化の異なる76種類のモデルを訓練し、検証セットのMSEに基づいて10個の最高の性能モデルを選択する。 0.74
Selecting only a limited number of the best performing models instead of combining all trained models also optimize the use of storage memory and computational resources. 訓練されたモデルをすべて組み合わせる代わりに、限られた数の最高のモデルのみを選択することで、ストレージメモリと計算資源の使用を最適化する。 0.73
Model Testing. The performance of the final ensemble of the models is evaluated with the test set. モデルテスト。 モデルの最終アンサンブルのパフォーマンスは、テストセットで評価されます。 0.65
An example of noise removal from a test datum is shown in Fig. テストデータムからのノイズ除去の例を図に示す。 0.69
4. Reduction of the noise is especially important for larger lag times, where fewer scattering frames are available for calculating the correlations. 4. ノイズの低減は、相関を計算するためにより少ない散乱フレームが利用できるラグタイムにおいて特に重要である。 0.83
As mentioned above, despite the MSE cost function working well for determining the optimal weights for a model, it is not sufficient to assess the reliability of the model output for quantitative analysis of the materials’ dynamics. 前述したように、MSEコスト関数はモデルの最適重量を決定するのによく機能するが、材料の力学を定量的に解析するためにモデル出力の信頼性を評価するには不十分である。 0.88
We assess the performance of the ensemble by comparing the fits with Eq. 適合度をeqと比較することにより,アンサンブルの性能を評価する。 0.64
3 for the 1TCFs calculated from the cropped 50×50 raw data (inputs), the corresponding denoised ensemble’s outputs and the full-range raw data (ground truth target) (see the Methods section). 収集した50×50の生データ(インプット)から算出した1TCF、対応する復号化アンサンブルの出力、およびフルレンジの生データ(地上真実のターゲット)から算出した。 0.64
From the results of the test set, the noise removal from the raw cropped 2TCFs with the CNN-ED ensemble noticeably improves precision for dynamics’ parameters in a wide range of cases with 0.015 f rames (i.e. 実験結果から,CNN-EDアンサンブルを用いた生作物2TCFのノイズ除去は,0.015fラメの幅広い症例において,動的パラメータの精度を著しく向上させることがわかった。 0.74
the contrast drops by half within the first 8-50% of the frames) in comparison with fitting the raw cropped 2TCFs. コントラストは、生の収穫した2TCFと比較すると、フレームの最初の8~50%で半分減少する。 0.68
The results of the ensemble アンサンブルの結果は 0.46
f rames < Γ < 0.1 f rames < s < 0.1 0.91
1 1 3/15 1 1 3/15 0.76
英語(論文から抽出)日本語訳スコア
1 allow to get reasonable estimates even in cases when the low signal-to-noise ratio of the cropped data prevents convergent fits within the parameter boundaries. 1 刈り取ったデータの信号対雑音比がパラメータ境界内に収まるのを防ぐ場合であっても、合理的な推定値が得られる。 0.78
In the region Γ > 0.1 f rames, the results of the models perform not worse than the raw data in general. 領域では、 > 0.1 f rames、モデルの結果は一般的に生データよりも悪くありません。 0.79
Note that the precision of the models’ results depends on the 2TCF noise level and the accuracy of identifying the optical contrast from speckle visibility. モデルの結果の精度は、2TCFノイズレベルとスペックル視認性から光学コントラストを識別する精度に依存することに注意してください。 0.86
Comparison to Other Techniques. 他の技術と比較する。 0.76
We compare the performance of our approach to several of-the-shelf solutions for noise reduction in images: linear principle components–based, Gaussian, median and total variation denoising (Chambolles’ projection)20 filters. 提案手法の性能を,線形原理成分-ベース,ガウス,中央値,および全変分分解(シャンブルの投影)20フィルタによる画像のノイズ低減のための既成解と比較する。 0.80
The comparison of the application of these techniques to the same test example as in Fig. 図と同じテスト例に対するこれらの技術の適用の比較。 0.65
4 is shown in Fig. 5. 図4に示します。 5. 0.74
Principle components filters have the same idea as the ED model – preserving only the information from a few essential components of the original data. 原則コンポーネントフィルタは、EDモデルと同じアイデアを持ち、元のデータのいくつかの重要なコンポーネントからの情報のみを保存します。 0.77
In fact, an autoencoder is a type of non-linear principle component generator. 実際、オートエンコーダは非線形原理成分生成器の一種である。 0.76
As one would expect, a filter based on linear principle components under-performs comparing to the case of non-linear components due to a larger bias of the procedure for the components extraction. 予想されるように、線形原理成分に基づくフィルタは、コンポーネント抽出の手順のより大きなバイアスによる非線形成分の場合と比較してパフォーマンスが低い。 0.81
Gaussian and median filters are based on smoothing the intensity fluctuations between neighboring pixels and the total variation denoising is a regularized minimization of the additive normally distributed noise. ガウスフィルタと中央フィルタは、隣接画素間の強度変動を平滑化することに基づいており、全変動分極は、通常分布する雑音の正規化最小化である。
訳抜け防止モード: 隣接する画素間の強度変動の平滑化に基づくガウスフィルタと中央フィルタ そして、全変分雑音は、通常分布する雑音の正則化最小化である。
0.77
While these approaches help to reduce pixel-by-pixel intensity variations, unlike the demonstrated here CNN-ED models, they do not learn the functional form of the equilibrium 2TCF images and are not improved by having a larger training set. これらの手法は画素毎の強度変動を低減するのに役立つが、CNN-EDモデルとは異なり平衡2TCF画像の関数形式を学習せず、より大きなトレーニングセットを持つことで改善されない。 0.73
Moreover, noise removal with the above filters can introduce false trends in 1TCF, which makes them unsuitable for quantitative XPCS data analysis. さらに、上記のフィルタによるノイズ除去は、1TCFに偽の傾向を導入できるため、定量XPCSデータ解析には適さない。 0.72
Application of the CNN-ED models removes the dynamics’ heterogeneities from the raw 2TCF and does not introduce nonequilibrium artifacts in the data. CNN-EDモデルの適用は、生の2TCFから力学の不均一性を排除し、データに非平衡アーティファクトを導入しない。
訳抜け防止モード: CNN-EDモデルの適用は生の2TCFから動的不均一性を除去する データに非平衡アーティファクトを導入しません。
0.74
Discussion The CNN-ED approach to noise removal in XPCS shows a reasonable improvement in the quality of the signal, allowing for quantification of a sample’s dynamics from a limited amount of data, avoiding extensive data collection and accessing narrow quasi-equilibrium regions of nonequilibrium dynamics. XPCSにおけるノイズ除去に対するCNN-EDアプローチは、信号の品質を合理的に改善し、限られた量のデータからサンプルのダイナミクスを定量化し、広範なデータ収集を回避し、非平衡力学の狭い準平衡領域にアクセスできるようにする。 0.78
The CNN-ED models go beyond a simple smoothing of intensity between neighboring pixels and empirically learns the structural form of the 2TCF. CNN-EDモデルは、隣接するピクセル間の強度の単純な平滑化を超え、2TCFの構造形態を実証的に学習する。 0.67
The models are fast to train and do not require an extensive amount of training data. モデルはトレーニングに速く、大量のトレーニングデータを必要としません。 0.66
The accuracy of the models is pretty robust with respect to the choice of hyperparameters such as the convolutional kernel size and the latent space dimension. モデルの精度は、畳み込み核の大きさや潜在空間次元のようなハイパーパラメータの選択に関してかなり頑健である。 0.68
The computational resources required for the application of the ensemble of 10 models (excluding the calculation of the speckle visibility) are smaller than one would need to calculate 2TCFs for a typical number of frames required to achieve the same signal-to-noise ratio. 10モデルのアンサンブル(スペックル可視性計算を除く)の適用に必要な計算資源は、同じ信号対雑音比を達成するのに必要な典型的なフレーム数に対して2TCFを計算するのに必要なものよりも小さい。 0.86
There are several limitations to keep in mind when applying CNN-ED models to a 2TCF. 2TCFにCNN-EDモデルを適用する際に留意すべきいくつかの制限があります。 0.63
The testing results show that the models may not reliably remove the noise for the cases of very fast and very slow dynamics (see schematic diagram in Fig. 実験の結果、非常に高速で非常に遅いダイナミクスの場合、モデルがノイズを確実に除去できないことが明らかとなった(図の図を参照)。 0.75
6). The limiting values of the dynamics’ rates depend on the size Nin of the input 2TCF (here, the input size of 50×50 frames considered) and the level of noise in the raw data. 6). ダイナミクスのレートの制限値は、入力2TCFのサイズNin(ここで、考慮された50×50フレームの入力サイズ)と、生データのノイズレベルに依存します。 0.78
Besides, before relying on extracting information from the first Nin frames, one should have a prior knowledge of the type of the system’s dynamics. さらに、最初のNinフレームから情報を取り出す前に、システムのダイナミクスのタイプについて事前知識を持つ必要がある。 0.65
Some essential dynamics can be outside of the first Nin frames even when a substantial drop of speckle visibility is observed there. 最初のNinフレームの外にあるいくつかの重要なダイナミクスは、そこでかなりのスペックルの可視性が観察されたとしても、可能である。 0.53
Examples include periodic modulations of correlation functions for a film growth21, an advective motion is sedimenting suspensions22 and a shear flow of colloidal particles23. 例えば、フィルム成長21の相関関数の周期的変調、付着運動はサスペンション22の沈降、コロイド粒子23のせん断流などである。 0.79
In this work, only equilibrium dynamics described by stretched exponents with the baseline 1 were considered. 本研究では, ベースライン1の伸張指数で表される平衡ダイナミクスのみを考慮した。 0.78
However, the demonstrated approach to the noise removal can be expanded to other types of dynamics – static cases, sample aging – with sufficient amount of data for training. しかし、ノイズ除去の実証されたアプローチは、トレーニングに十分な量のデータで、静的ケース、サンプル老化といった他のタイプのダイナミクスにも拡張することができる。 0.69
Even in the absence of proper denoised target data, the autoencoder version of the model can significantly reduce the random noise. 適切なデノマイズされたターゲットデータがない場合でも、モデルのオートエンコーダバージョンはランダムノイズを大幅に削減できます。 0.69
Besides, a CNN-ED model can be trained to correct for specific types of artifacts, such as impact of instrumentational instabilities or outlier frames, leading to a more efficient use of experimental user facilities24. さらに、CNN-EDモデルは、機器の不安定性や外付けフレームの影響など、特定の種類のアーティファクトを修正できるようにトレーニングできるため、より効率的な実験用ユーザファシリティ24を使用することができる。 0.61
In the broader scope, modifications of the presented here CNN-ED models have the potential for application in automated XPCS data collection and processing pipelines. より広い範囲において、ここで示したcnn-edモデルの修正は、自動化xpcsデータ収集と処理パイプラインに応用できる可能性がある。 0.61
Similarly to other fields25, 26, the autoencoder models can be used for identifying unusual observations in the stream of XPCS data. 他のフィールド25, 26と同様、オートエンコーダモデルはXPCSデータのストリームにおける異常な観測を識別するために使用できる。 0.79
Additionally, the encoded low-dimensional representation of the 2TCF can be used for classification, regression and clustering tasks, related to samples’ dynamics. さらに、2TCFのエンコードされた低次元表現は、サンプルのダイナミクスに関連する分類、回帰、クラスタリングタスクに使用できます。 0.69
Methods Model Training Details. メソッドモデルトレーニングの詳細。 0.81
The cost function used for training the models is the Mean Squared Error (MSE) between the target 2TCF and the models’ output: モデルのトレーニングに使用されるコスト関数は、ターゲット2TCFとモデルの出力の間の平均正方形誤差(MSE)である。 0.89
cost = 1 m m ∑ 費用= 1m M ∑ 0.78
k=1 ||xout k=1 ||xout 0.59
k − xtarget k − xtarget 0.85
k ||2 (4) where xout k examples, ||·||2 stands for 2-norm. k ||2 (4) xout k の場合、||||2 は 2-ノルムを表す。 0.70
is the model output for the k–th training example and xtarget k 番目のトレーニング例と xtarget のモデル出力です。 0.82
k is the corresponding target’s pixel, m is the number of k m は対応するターゲットのピクセルで、m は数字です 0.73
4/15 4/15 0.59
英語(論文から抽出)日本語訳スコア
At every training epoch, batches of size 8 are processed. トレーニング期間ごとに、サイズ8のバッチが処理される。 0.77
Adam27 optimizer with initial learning rate 0.001 is used. 初期学習率0.0001のadam27オプティマイザを用いる。 0.61
Learning rate is reduced by a factor of 0.9995 at every epoch. 学習率はすべてのエポックにおいて0.9995に減少する。 0.72
Initial weights in the convolutional and linear layers are assigned according to Xavier uniform initialization28. 畳み込み層と直線層の初期重みは、Xavier均一初期化28に従って割り当てられる。 0.70
The models are trained with Nvidia GPU accelerator GeForce RTX 2070 Super. モデルはNvidia GPUアクセラレータGeForce RTX 2070 Superでトレーニングされている。 0.83
Typical training time per epoch is 3.2–6.7 seconds and depends on the dimensionality of the latent space and the kernel size. 典型的な訓練時間は3.2-6.7秒であり、潜伏空間の次元とカーネルサイズに依存する。 0.77
For the best selected CNN-ED configuration, the average training time is 5.8 seconds per epoch with 7-29 epochs necessary to train a model. 最高のCNN-ED構成の場合、平均トレーニング時間は1エポックあたり5.8秒で、モデルトレーニングに必要な7-29エポックです。 0.63
Selecting Optimal Latent Space Dimension. 最適遅延空間次元の選択。 0.67
As described in the main text, the latent space dimension for the models is selected based on how accurately one can recover dynamics’ parameters from the denoised data. メインテキストで説明されているように、モデルの潜在空間次元は、特定データから動的パラメータをどれだけ正確に回収できるかに基づいて選択される。 0.75
A quantitative measure of bias in recovering Γ is the Absolute Mean Error (AME): 回復におけるバイアスの定量的尺度は絶対平均誤差 (AME) である。 0.73
AMEΓ = |avg(Γ f it − Γtarget )| ameγ = |avg(γ f it − γtarget )| 0.57
(5) Since the parameter Γ can be over-evaluated (positive the mean error) or under-evaluated (negative the mean error), the absolute value of the mean error needs to be considered. (5) パラメータ γ は過大評価(平均誤差が正)または過評価(平均誤差が負)することができるので、平均誤差の絶対値を考慮する必要がある。 0.81
We look at the values of the AMEΓ, calculated with Eq. Eq で計算した AME の値を見てみましょう。 0.67
5, at different regions of Γ. の異なった地域で5、。 0.64
The results where the optimal fit is outside of the Γ bounds [0, 0.5] f rames are excluded from calculating the errors. 最適適合が γ 境界 [0, 0.5] f rames の外にある結果は、誤差の計算から除外される。 0.72
Figure 7 shows that AMEΓ is significantly reduced for models with the 18 or more variables in the latent space. 図7は、命題空間において 18 以上の変数を持つモデルに対して AME が著しく減少することを示している。
訳抜け防止モード: 図7は AME は18以上の変数を持つモデルに対して、潜在空間において著しく減少する。
0.79
For the majority of Γ regions, the models with the latent space dimension of 200 have the smallest AMEΓ, indicating low bias of these models. 領域の過半数において、200 の潜空間次元を持つモデルが最も小さい AME を持ち、これらのモデルの低バイアスを示す。 0.83
The mean squared error of Γ, calculated as の二乗誤差の平均値です。 0.51
1 MSEΓ = avg((Γ f it − Γtarget )2) 1 MSE' = avg((sf it − starget )2) 0.79
(6) reflects both the bias and the variance of the model’s results. (6) バイアスとモデルの結果のばらつきの両方を反映しています。 0.81
Figure 7 shows that generally the MSEΓ drops for the models with 18 latent variables and then flattens, except for cases with very fast dynamics. 図7は、18の潜在変数を持つモデルでは一般的にmseγが低下し、非常に高速なダイナミクスの場合を除いて平坦になることを示している。
訳抜け防止モード: 図7は、一般的に18の潜時変数を持つモデルに対するMSEの低下を示す。 そして非常に速いダイナミクスの例を除いて、平ら。
0.71
Due to advantageous performance of the models with 200 latent variables across a broad range of the dynamics’ parameters, we select such models for our final result. 200個の潜伏変数を持つモデルに対して, パラメータの広い範囲で有利な性能を示すため, 最終結果に対してそのようなモデルを選択する。 0.83
To further reduce the variance of the models, an ensemble of 10 the best performing CNN-EDs (out of 76) is constructed. さらにモデルのばらつきを低減するため、最高のCNN-ED(76点中)を10のアンサンブルで構成する。 0.65
Finding Limiting Cases We test the performance of the best ensemble (10 models, the latent space dimension is 200) by comparing the dynamics’ parameters (Eq. 限界条件を見つける 最適なアンサンブル(10モデル、潜在空間次元は200)のパフォーマンスを、ダイナミクスのパラメータ(eq)を比較してテストする。 0.73
3) extracted from the raw models’ inputs, i.e. 3) 生モデルの入力、すなわちから抽出される。 0.73
cropped parts of the experimental 2TCFs, and the results of denoising with the ensemble of CNN-EDs to the parameters extracted from the full-range 2TCF (the ground truth values). 実験2TCFの一部をトリミングし、フルレンジ2TCF(地上真理値)から抽出されたパラメータにCNN-EDのアンサンブルで消音した結果。 0.73
One can see from Fig. 図から見ることができます。 0.71
8 that the rate Γ is extracted from the ensemble output with a good precision for Γ < 0.1 f rames (the contrast drops by half in 4 or more frames) for the validation set. 8) 検証セットに対して,<0.1fラム(コントラストが4フレーム以上で半分に低下する)の精度で,アンサンブル出力からレート*が抽出される。 0.69
Above Γ = 0.1 f rames, the variance for the Γ extracted from denoised data is similar to the one of the Γ extracted from the raw data. 以上の方法では、識別データから抽出した値の分散は、原データから抽出した値の1つに類似している。 0.63
Other dynamics’ parameters are generally extracted with better precision from the denoised data than from the raw data. 他のダイナミクスのパラメータは一般に、生のデータよりも分断されたデータから精度良く抽出される。 0.79
Note, the precision of the β is largely dependent on the accuracy of extracting the speckle visibility at lag=0 from the photon distribution which serves as the normalization parameter. 注意:βの精度は、正規化パラメータとして機能する光子分布からlag=0におけるスペックル可視性を引き出す精度に大きく依存している。 0.79
A similar situation is observed for the test set ( Fig. テストセットでも同様の状況が観察される(図)。 0.81
9 and Fig. 10), indicating a good generalizability of the model. 9およびFig。 10) であり, モデルのよい一般化性を示す。 0.70
Besides, the results for the test set establish the lower boundary Γ = 0.015 f rames, above which an output of the CNN-ED ensemble generally leads to the more precise dynamics parameters than the raw 2TCF. さらに、テスト集合の結果は下界 γ = 0.015 f rames を確立し、その上に cnn-ed アンサンブルの出力が通常、生の 2tcf よりも正確なダイナミクスパラメータをもたらす。 0.65
In cases with Γ < 0.015 f rames, an insignificant portion of the dynamics is complete by the 50th frame (the contrast drops in half in 23 or more frames) and the dynamics’ parameters usually cannot be accurately identified from the available data. μ < 0.015 f rames の場合、ダイナミクスの重要でない部分は 50 フレーム(コントラストは 23 フレーム以上の半分に低下します)によって完了し、ダイナミクスのパラメータは通常、利用可能なデータから正確に識別することはできません。 0.79
For the cases within the constraints on Γ, a poor accuracy in identifying dynamics’ parameters is observed for inputs with a very high noise level and/or the presence of well pronounced dynamical heterogeneities. シュの制約の範囲内では、非常に高いノイズレベルおよび/または顕著な動的不均質の存在を持つ入力に対して、ダイナミクスのパラメータの識別の精度が悪いことが観察される。 0.77
1 1 1 1 Acknowledgements The authors thank A. Fluerasu and M. Fukuto for fruitful discussions. 1 1 1 1 A. Fluerasu氏とM. Fukuto氏による実りある議論に感謝する。 0.80
This research used CHX and CSX beamlines and resources of the National Synchrotron Light Source II, a U.S. Department of Energy (DOE) Office of Science User Facility operated for the DOE Office of Science by Brookhaven National Laboratory(BNL) under Contract No. この研究は、米国エネルギー省(DOE)の科学ユーザー施設であるNational Synchrotron Light Source IIのCHXおよびCSXビームラインとリソースを使用しており、契約番号でブルックヘイブン国立研究所(BNL)のDOE科学事務所で運営されています。 0.79
DE-SC0012704 and under a BNL Laboratory Directed Research and Development (LDRD) project 20-038 ”Machine Learning for Real-Time Data Fidelity, Healing, and Analysis for Coherent X-ray Synchrotron Data” DE-SC0012704 と BNL Laboratory Directed Research and Development (LDRD) プロジェクト 20-038 "Machine Learning for Real-Time Data Fidelity, Healing and Analysis for Coherent X-ray Synchrotron data" 0.98
References 1. Madsen, A., Fluerasu, A. 参照1。 Madsen, A., Fluerasu, A。 0.75
& Ruta, B. Structural Dynamics of Materials Probed by X-Ray Photon Correlation Spectroscopy, とルタ、b。 X線光子相関分光法による材料の構造ダイナミクス 0.67
1617–1641 (Springer International Publishing, 2016). 1617–1641 (Springer International Publishing, 2016)。 0.94
2. Shpyrko, O. G. X-ray photon correlation spectroscopy. 2. シュピルコ, O. G. X線光子相関分光 0.83
J. synchrotron radiation 21, 1057–1064 (2014). J. synchrotron radiation 21 1057–1064 (2014)。 0.91
5/15 5/15 0.59
英語(論文から抽出)日本語訳スコア
3. Sinha, S. K., Jiang, Z. 3. Sinha, S.K., Jiang, Z。 0.87
& Lurio, L. B. X-ray photon correlation spectroscopy studies of surfaces and thin films. & Lurio, L. B. X線光子相関分光法による表面および薄膜の研究 0.86
Adv. Mater. 26, 7764–7785 (2014). Adv 母親。 26, 7764–7785 (2014). 0.61
4. Brown, G., Rikvold, P. A., Sutton, M. & Grant, M. Speckle from phase-ordering systems. 4. Brown, G., Rikvold, P.A., Sutton, M. & Grant, M. Speckle フェーズオーダリングシステム。 0.86
Phys. Rev. E 56, 6601 (1997). Phys Rev E 56, 6601 (1997)。 0.61
5. Madsen, A., Leheny, R. L., Guo, H., Sprung, M. & Czakkel, O. 5. Madsen, A., Leheny, R. L., Guo, H., Sprung, M. & Czakkel, O。 0.88
Beyond simple exponential correlation functions and 単純な指数相関関数を越えて 0.74
equilibrium dynamics in x-ray photon correlation spectroscopy. X線光子相関分光における平衡ダイナミクス 0.81
New J. Phys. 新しいJ. Phys。 0.89
12, 055001 (2010). 12, 055001 (2010). 0.85
6. Li, L. et al. 6. Li, L. et al. 0.91
Photon statistics and speckle visibility spectroscopy with partially coherent X-rays. 部分コヒーレントX線を用いた光子統計とスペックル可視分光 0.82
J. Synchrotron Radiat. j. シンクロトロン・ラジエート。 0.76
21, 1288–1295, DOI: 10.1107/S16005775140 15847 (2014). 21, 1288-1295, doi: 10.1107/s16005775140 15847 (2014) 0.71
7. Lumma, D., Lurio, L. B., Mochrie, S. G. J. 7. Lumma, D., Lurio, L. B., Mochrie, S. G. J. 0.92
& Sutton, M. Area detector based photon correlation in the regime of short data batches: Data reduction for dynamic x-ray scattering. & sutton, m. area detector based photon correlation in the regime of short data batches: data reduction for dynamic x-ray scattering。 0.87
Rev. Sci. Instruments 71, 3274–3289, DOI: https: //doi.org/10.1063/1. 1287637 (2000). Rev Sci instrument 71, 3274–3289, doi: https: //doi.org/10.1063/1. 1287637 (2000) 0.53
8. Grybos, P., Kmon, P., Maj, P. & Szczygiel, R. 32k Channels readout IC for single photon counting detectors with 75 µm pitch, ENC of 123 e- rms, 9 e- rms offset spread and 2 % rms gain spread. 8. Grybos, P., Kmon, P., Maj, P. & Szczygiel, R. 32k Channels readout IC for single photon counting detectors with 75 μm pitch, ENC of 123 e- rms, 9 e- rms offset spread and 2 % rms gain spread。 0.89
In 2015 IEEE Biomedical Circuits and Systems Conference (BioCAS), 1–4, DOI: 10.1109/BioCAS.2015. 7348438 (2015). 2015年、IEEE Biomedical Circuits and Systems Conference (BioCAS) 1-4, DOI: 10.1109/BioCAS.2015. 7348438 (2015)。 0.73
9. Llopart, X., Campbell, M., Dinapoli, R., San Segundo, D. & Pernigotti, E. Medipix2: A 64-k pixel readout chip with 55-/spl mu/m square elements working in single photon counting mode. 9. Llopart, X., Campbell, M., Dinapoli, R., San Segundo, D. & Pernigotti, E. Medipix2: 64kピクセルの読み出しチップ。
訳抜け防止モード: 9. Llopart, X., Campbell, M., Dinapoli, R。 San Segundo, D. & Pernigotti, E. Medipix2 : 55-/spl mu / m平方要素を持つ64kピクセル読み出しチップ 単一の光子カウントモードで働くこと。
0.85
IEEE transactions on nuclear science 49, 2279–2283 (2002). ieee transactions on nuclear science 49, 2279–2283 (2002)。 0.77
10. Livet, F. et al. 10. Livet, F. et al. 0.91
Using direct illumination ccds as high-resolution area detectors for x-ray scattering. 直接照明ccdをx線散乱の高分解能領域検出器として用いる。 0.62
Nucl. Instruments Methods Phys. Nucl 楽器 Phys のメソッド。 0.65
Res. Sect. A: Accel. Res! 宗。 A: Accel。 0.62
Spectrometers, Detect. Assoc. 分光計、検出。 Assoc 0.62
Equip. 451, 596–609 (2000). Equip 451, 596–609 (2000). 0.72
11. Falus, P., Lurio, L. & Mochrie, S. Optimizing the signal-to-noise ratio for x-ray photon correlation spectroscopy. 11. Falus, P., Lurio, L. & Mochrie, S. X線光子相関分光における信号-雑音比の最適化 0.82
J. synchrotron radiation 13, 253–259 (2006). J。 放射光 13, 253–259 (2006)。 0.77
12. Kongtawong, S. et al. 12. Kongtawong, S. et al。 0.89
Recent improvements in beam orbit feedback at nsls-ii. nsls-iiにおけるビーム軌道フィードバックの最近の改善 0.69
Nucl. Instruments Methods Phys. Nucl Instruments Methods Physの略。 0.60
Res. Sect. A: Accel. Res! 宗。 A: Accel。 0.62
Spectrometers, Detect. Assoc. 分光計、検出。 Assoc 0.62
Equip. 164250 (2020). Equip 164250 (2020). 0.67
13. Strocov, V. et al. 13. Strocov, V. et al。 0.88
High-resolution soft x-ray beamline adress at the swiss light source for resonant inelastic x-ray scattering 共振非弾性x線散乱のためのスイス光源の高分解能軟x線ビームライン 0.71
and angle-resolved photoelectron spectroscopies. 角分解光電子分光法。 0.67
J. synchrotron radiation 17, 631–643 (2010). J. synchrotron radiation 17, 631–643 (2010)。 0.87
14. Kramer, M. A. Nonlinear principal component analysis using autoassociative neural networks. 14. Kramer, M. A. 自己関連ニューラルネットワークを用いた非線形主成分解析 0.81
AIChE journal 37, 233–243 AIChE journal 37, 233–243 0.88
(1991). 15. (1991). 15. 0.85
Grais, E. M. & Plumbley, M. D. Single channel audio source separation using convolutional denoising autoencoders. Grais, E. M. & Plumbley, M. D. Convolutional denoising Autoencoders を用いた単一チャンネル音源分離 0.91
In 2017 IEEE global conference on signal and information processing (GlobalSIP), 1265–1269 (IEEE, 2017). 内 2017 IEEE Global Conference on Signal and Information Processing (GlobalSIP), 1265-1269 (IEEE, 2017)。 0.72
16. Park, S. R. & Lee, J. 16. Park, S. R. & Lee, J。 0.90
A fully convolutional neural network for speech enhancement. 音声強調のための完全畳み込みニューラルネットワーク。 0.69
arXiv preprint arXiv:1609.07132 arXiv preprint arXiv:1609.07132 0.59
(2016). 17. (2016). 17. 0.85
Pathak, D., Krahenbuhl, P., Donahue, J., Darrell, T. & Efros, A. Pathak, D., Krahenbuhl, P., Donahue, J., Darrell, T. & Efros, A。 0.87
A. Context encoders: Feature learning by inpainting. A。 コンテキストエンコーダ: インペイントによる特徴学習。 0.76
In Proceedings of the IEEE conference on computer vision and pattern recognition, 2536–2544 (2016). 内 IEEE Conference on Computer Vision and Pattern Recognition, 2536–2544 (2016) に参加。 0.72
18. Mao, X.-J., Shen, C. & Yang, Y.-B. 18. Mao, X.-J., Shen, C. & Yang, Y.-B。 0.84
Image restoration using very deep convolutional encoder-decoder networks with 超深層畳み込みエンコーダデコーダネットワークを用いた画像復元 0.83
symmetric skip connections. 対称なスキップ接続。 0.76
arXiv preprint arXiv:1603.09056 (2016). arXiv preprint arXiv:1603.09056 (2016)。 0.77
19. Lehtinen, J. et al. 19. Lehtinen, J. et al. 0.91
Noise2noise: Learning image restoration without clean data. Noise2noise: クリーンなデータなしで画像復元を学ぶ。 0.65
arXiv preprint arXiv:1803.04189 (2018). arXiv preprint arXiv:1803.04189 (2018)。 0.76
20. Duran, J., Coll, B. 20. Duran、J.、Coll、B。 0.86
& Sbert, C. Chambolle’s projection algorithm for total variation denoising. & sbert, c. chambolle’s projection algorithm for total variation denoising (英語) 0.82
Image processing on Line 3, 311–331 (2013). 3番線での画像処理 311–331 (2013). 0.81
21. Ju, G. et al. 21. Ju, G. et al。 0.89
Coherent x-ray spectroscopy reveals the persistence of island arrangements during layer-by-layer growth. コヒーレントx線分光法は, 層間成長における島配置の持続性を明らかにする。 0.55
Nat. Phys. 15, 589–594 (2019). Nat! Phys 15, 589–594 (2019). 0.74
22. Möller, J. 22. Möller, J。 0.83
& Narayanan, T. Velocity fluctuations in sedimenting brownian particles. & narayanan, t. 沈降するブラウン粒子の速度変動 0.70
Phys. Rev. Lett. Phys Rev Lett! 0.57
118, 198001 (2017). 118, 198001 (2017). 0.85
23. Burghardt, W. R., Sikorski, M., Sandy, A. R. & Narayanan, S. X-ray photon correlation spectroscopy during homogenous 23. Burghardt, W.R., Sikorski, M., Sandy, A.R. & Narayanan, S. X線光子相関分光法 0.84
shear flow. Phys. せん断流だ Phys 0.58
Rev. E 85, 021402 (2012). Rev E 85, 021402 (2012)。 0.66
24. Campbell, S. et al. 24. Campbell, S. など。 0.81
Outlook for artificial intelligence and machine learning at the nsls-ii. nsls-iiにおける人工知能と機械学習の展望 0.72
Mach. Learn. Sci. Mach 学ぶ。 Sci 0.55
Technol. (2020). テクノ。 (2020). 0.76
25. Baur, C., Wiestler, B., Albarqouni, S. & Navab, N. Deep autoencoding models for unsupervised anomaly segmentation in brain mr images. 25. Baur, C., Wiestler, B., Albarqouni, S. & Navab, N. Deep autoencoding model for unsupervised anomaly segmentation in brain mr image。 0.86
In Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries, 161–169 (Springer International Publishing, Cham, 2019). In Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries, 161–169 (Springer International Publishing, Cham, 2019)。 0.88
26. Chong, Y. S. & Tay, Y. H. Abnormal event detection in videos using spatiotemporal autoencoder. 26. Chong, Y. S. & Tay, Y. H. 時空間オートエンコーダを用いたビデオにおける異常事象検出 0.76
In Advances in Neural Networks - ISNN 2017, 189–196 (Springer International Publishing, Cham, 2017). 神経の進歩において ネットワーク - ISNN 2017, 189–196 (Springer International Publishing, Cham, 2017)。 0.75
6/15 6/15 0.59
英語(論文から抽出)日本語訳スコア
27. Kingma, D. P. & Ba, J. Adam: A method for stochastic optimization. 27. Kingma, D. P. & Ba, J. Adam: 確率最適化の方法。 0.84
arXiv preprint arXiv:1412.6980 (2014). arXiv preprint arXiv:1412.6980 (2014)。 0.76
28. Glorot, X. 28. クロロット、X。 0.74
& Bengio, Y. Understanding the difficulty of training deep feedforward neural networks. ベンジオ、Y。 ディープフィードフォワードニューラルネットワークの訓練の難しさを理解する。 0.60
In Proceedings of the thirteenth international conference on artificial intelligence and statistics, 249–256 (2010). 訴訟の手続において 第13回人工知能・統計国際会議, 249-256 (2010) 0.60
Figure 1. Data for the model. 図1。 モデルのためのデータ。 0.82
(A) 2TCF for an experimental series consisting of 400 frames. (A) 400フレームからなる実験シリーズのための2TCF。 0.91
Red squares show examples of regions selected for the model training. 赤い正方形はモデル訓練のために選ばれる地域の例を示します。 0.66
Yellow arrow shows the temporal direction t of the system’s dynamics. 黄色の矢印は、システムのダイナミクスの時間方向tを示しています。 0.76
Yellow solid line shows the 1TCF along t, calculated from the 2TCF. 黄色の固体線は2TCFから計算されたtに沿って1TCFを示す。 0.70
(B) Example of 50×50 2TCF, passed as an input to the model. (B)モデルへの入力として渡される50×50 2TCFの例。 0.88
(C) Example of the target data for the model, obtained by averaging multiple 50×50 diagonal sections of the 2TCF. (C) 2TCFの複数の50×50対角区間を平均して得られたモデルの目標データの例。 0.86
All images have the same intensity scale. すべての画像は同じ強度スケールです。 0.79
Unique Inputs Unique Targets Unique Inputs Unique Targets 0.85
Training Validation Test 972 4692 373 95 訓練検証試験 972 4692 373 95 0.80
1076 109 Table 1. 1076 109 表1。 0.79
Distribution of examples between training, validation and test sets. トレーニング、検証、テストセット間の例の分布。 0.74
7/15 7/15 0.59
英語(論文から抽出)日本語訳スコア
Figure 2. Architecture of the CNN-ED model. 図2。 CNN-EDモデルのアーキテクチャ。 0.77
The input and the output images have the same intensity scale. 入力と出力画像は同じ強度スケールを有する。 0.69
Figure 3. Selection of the latent space dimension using the set of 2,000 artificially generated data. 図3。 2,000個の人工的に生成したデータを用いた潜時空間次元の選択 0.75
The rates of the dynamics, Γ f it, are extracted from the outputs of the ensembles of ten CNN-ED models with the dimensionality of the latent space 2, 10, 80 and 200 versus the corresponding values of the rates Γreal used to generate the inputs for the models. ダイナミクスのレートは,10個のCNN-EDモデルのアンサンブルの出力から抽出され,2,10,80,200の次元と,モデルの入力を生成するのに用いるレートの対応する値に対して抽出される。 0.71
8/15 8/15 0.59
英語(論文から抽出)日本語訳スコア
Figure 4. Example of 2TCF denoising with the CNN-ED models. 図4。 CNN-EDモデルを用いた2TCFの例。 0.71
(A) From left to right: the raw 2TCF obtained from the data; the 2TCF averaged among all frames in the dataset; the result of the denoising the raw 2TCF with ensemble of 10 CNN-ED models. (A) 左から右へ: データから得られた生の2TCF, データセット中の全フレームの平均2TCF, 生の2TCFを10個のCNN-EDモデルで復調した結果。 0.82
(B) 1TCF calculated from each 2TCF in (A). (B) (A)各2TCFから算出した1TCF。 0.82
The dashed line corresponds to a baseline C∞ = 1. 破断線はベースライン C∞ = 1 に対応する。 0.77
9/15 9/15 0.59
英語(論文から抽出)日本語訳スコア
Figure 5. Comparison of various noise removal techniques applied to an example from the test set. 図5。 テストセットからサンプルに適用されたさまざまなノイズ除去技術の比較。 0.77
Top row: results of applying filters to the raw 2TCF, middle row: 1TCFs calculated from the 2TCFs for the raw input (blue dashed line), the results of the respective filters (green solid line) and the target (solid orange line), bottom row: residuals of the 1TFC calculated from the example after denoising with the respective filters. トップ行:生の2TCFにフィルターを適用する結果、中間行:生の入力(青のダッシュライン)のための2TCFから計算された1TCFs、それぞれのフィルタ(緑色のソリッドライン)とターゲット(固体のオレンジライン)の結果、ボトム行:各フィルターでデノーズした後の例から計算された1TFCの残余。 0.81
10/15 10/15 0.59
英語(論文から抽出)日本語訳スコア
Figure 6. Schematics of the model performance depending on the rate Γ and the noise level in 2TCF. 図6。 2TCFにおける音速・騒音レベルに応じたモデル性能の定式化。 0.72
11/15 11/15 0.59
英語(論文から抽出)日本語訳スコア
Figure 7. Measures of accuracy of determining dynamics’ Γ parameter from denoised data. 図7。 離散データからダイナミクスのγパラメータを決定する精度の尺度。 0.72
The AMEs (A) and the MSEs (B) for different regions of Γ (in the units of inverse frames count). AME (A) と MSE (B) は (逆フレームの単位において) の異なる領域に対するものである。 0.79
12/15 12/15 0.59
英語(論文から抽出)日本語訳スコア
Figure 8. Extracting dynamics parameters from raw (blue) and denoised (red) 50×50 2TCF from the validation set. 図8。 検証セットから生(青)と消音(赤)50×50 2TCFからダイナミクスパラメータを抽出します。 0.76
Green triangles correspond to the cases where fit for the raw data did not converge within the parameters’ boundaries. 緑色の三角形は、生データの適合がパラメータの境界内に収束しなかった場合に対応します。 0.79
Horizontal axis corresponds to the values extracted from full-sized 2TCF. 水平軸はフルサイズの2TCFから抽出した値に対応します。 0.61
Under-fitting of α is observed for examples with very high noise level and the presence of dynamics’ heterogeneity. αのアンダーフィッティングは、非常に高いノイズレベルとダイナミクスの不均一性の存在の例で観察される。 0.77
Γ is given in the units of [ f rames−1], and can be converted to appropriate reverse time units. f rames−1] の単位で s が与えられ、適切な逆時間単位に変換することができる。 0.73
13/15 13/15 0.59
英語(論文から抽出)日本語訳スコア
Figure 9. Extracting dynamics parameters from raw (blue) and denoised (red) 50×50 2TCF from the test set. 図9。 テストセットから生(青)と消音(赤)50×50 2TCFからダイナミクスパラメータを抽出します。 0.77
Green triangles correspond to the cases where fit for the raw data did not converge within the parameters’ boundaries. 緑色の三角形は、生データの適合がパラメータの境界内に収束しなかった場合に対応します。 0.79
Horizontal axis corresponds to the values extracted from full-sized 2TCF. 水平軸はフルサイズの2TCFから抽出した値に対応します。 0.61
Γ is given in the units of [ f rames−1], and can be converted to appropriate reverse time units. f rames−1] の単位で s が与えられ、適切な逆時間単位に変換することができる。 0.73
14/15 14/15 0.59
英語(論文から抽出)日本語訳スコア
Figure 10. Extracting dynamics parameters from raw (blue) and denoised (red) 50×50 2TCF from the test set. 図10。 テストセットから生(青)と消音(赤)50×50 2TCFからダイナミクスパラメータを抽出します。 0.77
Green triangles correspond to the cases where fit for the raw data did not converge within the parameters’ boundaries. 緑色の三角形は、生データの適合がパラメータの境界内に収束しなかった場合に対応します。 0.79
Horizontal axis corresponds to the values extracted from full-sized 2TCF. 水平軸はフルサイズの2TCFから抽出した値に対応します。 0.61
Only the cases with Γreal > 0.015 are shown to highlight the higher precision of the extracted parameters for these cases. γreal > 0.015 の場合のみ、抽出されたパラメータの精度が高まることが示される。 0.69
Γ is given in the units of [ f rames−1], and can be converted to appropriate reverse time units. f rames−1] の単位で s が与えられ、適切な逆時間単位に変換することができる。 0.73
15/15 15/15 0.59
                               ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。