論文の概要: Identification of Crystal Symmetry from Noisy Diffraction Patterns by A Shape Analysis and Deep Learning

• arxiv url: http://arxiv.org/abs/2005.12476v1
• Date: Tue, 26 May 2020 01:38:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 00:51:32.574206
• Title: Identification of Crystal Symmetry from Noisy Diffraction Patterns by A Shape Analysis and Deep Learning
• Title（参考訳）: 形状解析と深層学習による雑音回折パターンからの結晶対称性の同定
• Authors: Leslie Ching Ow Tiong, Jeongrae Kim, Sang Soo Han, Donghun Kim
• Abstract要約: 深層学習法は、X線または電子ビーム回折パターンと結晶対称性の相関関係を効果的に明らかにすることができる。 本稿では,回折パターンを合成し,それをマルチストリームネットに実装することにより,分類精度を大幅に向上することを示す。 さらに、新しいアーキテクチャは、よりリッチだが冗長でない方法でパターンをキャプチャするのに有利であることも分かりました。
• 参考スコア（独自算出の注目度）: 0.5735035463793008
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The robust and automated determination of crystal symmetry is of utmost importance in material characterization and analysis. Recent studies have shown that deep learning (DL) methods can effectively reveal the correlations between X-ray or electron-beam diffraction patterns and crystal symmetry. Despite their promise, most of these studies have been limited to identifying relatively few classes into which a target material may be grouped. On the other hand, the DL-based identification of crystal symmetry suffers from a drastic drop in accuracy for problems involving classification into tens or hundreds of symmetry classes (e.g., up to 230 space groups), severely limiting its practical usage. Here, we demonstrate that a combined approach of shaping diffraction patterns and implementing them in a multistream DenseNet (MSDN) substantially improves the accuracy of classification. Even with an imbalanced dataset of 108,658 individual crystals sampled from 72 space groups, our model achieves 80.2% space group classification accuracy, outperforming conventional benchmark models by 17-27 percentage points (%p). The enhancement can be largely attributed to the pattern shaping strategy, through which the subtle changes in patterns between symmetrically close crystal systems (e.g., monoclinic vs. orthorhombic or trigonal vs. hexagonal) are well differentiated. We additionally find that the novel MSDN architecture is advantageous for capturing patterns in a richer but less redundant manner relative to conventional convolutional neural networks. The newly proposed protocols in regard to both input descriptor processing and DL architecture enable accurate space group classification and thus improve the practical usage of the DL approach in crystal symmetry identification.
• Abstract（参考訳）: 結晶対称性の頑健かつ自動決定は、物質的特徴付けと分析において最も重要である。 近年の研究では、深層学習(DL)法は、X線または電子ビーム回折パターンと結晶対称性の相関を効果的に明らかにしている。 その約束にもかかわらず、これらの研究のほとんどは、対象物質をグループ化することのできる比較的少ないクラスを特定することに限定されている。 一方、DLに基づく結晶対称性の同定は、数十または数百の対称性クラス(例えば、最大230の空間群)の分類を含む問題に対する大幅な精度低下に悩まされ、その実用的利用を著しく制限する。 本稿では,MSDN(Multistream DenseNet)における回折パターンの合成と実装の併用が,分類精度を大幅に向上させることを示す。 72個の空間群から採取した108,658個の結晶の不均衡なデータセットを用いても,従来のベンチマークモデルよりも80.2%の空間群分類精度が17-27パーセント(%p)向上した。 この強化は、対称的に閉じた結晶系のパターンの微妙な変化(例えば、単斜晶系と直交系、六角形と六角形)がよく区別されるパターン形成戦略に大きく寄与する。 さらに、新しいMSDNアーキテクチャは、従来の畳み込みニューラルネットワークと比較して、よりリッチだが冗長でない方法でパターンをキャプチャするのに有利であることがわかった。 入力記述子処理とDLアーキテクチャの両方に関して新たに提案されたプロトコルにより、正確な空間群分類が可能となり、結晶対称性同定におけるDLアプローチの実用的利用が向上する。

関連論文リスト

• Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification [72.77513633290056]
  本稿では, 学習モデルを用いて評価したヘッセン行列をトレーニングセットで評価した共分散行列の固有解析と, 深層学習モデルで評価したヘッセン行列を組み合わせた新しい手法を提案する。 本手法は複雑なパターンと関係を抽出し,分類性能を向上する。
  論文  参考訳（メタデータ） (2024-02-14T16:10:42Z)
• Deep Learning From Crowdsourced Labels: Coupled Cross-entropy Minimization, Identifiability, and Regularization [21.32957828106532]
  ディープラーニングベースのエンドツーエンド(E2E)システムは、複数のアノテーションからノイズの多いクラウドソースラベルを使用する。 多くのE2Eシステムは、複数のアノテータ特異的ラベル混乱'層でニューラル分類器を共同で訓練する。 本研究は、CCEM基準とCCEMの2つの規則化された変種の性能保証を示す。
  論文  参考訳（メタデータ） (2023-06-05T22:21:26Z)
• Neural networks trained on synthetically generated crystals can extract structural information from ICSD powder X-ray diffractograms [0.6906005491572401]
  機械学習技術は粉末X線回折画像から構造情報を抽出するのに成功している。 本稿では,各空間群の対称性演算を用いて,ランダムな座標で合成結晶を生成する方法を提案する。 我々は,1時間に数百万のオンザフライ生成された合成ディフラクトグラムに対して,Deep ResNetライクなモデルのオンライントレーニングを実演する。
  論文  参考訳（メタデータ） (2023-03-21T09:37:29Z)
• On the Implicit Geometry of Cross-Entropy Parameterizations for Label-Imbalanced Data [26.310275682709776]
  ラベインバランスデータの重み付きCE大モデルに代わるものとして,クロスエントロピー(CE)損失のロジット調整パラメータ化が提案されている。 マイノリティ不均衡比に関係なく,ロジット調整パラメータ化を適切に調整して学習することができることを示す。
  論文  参考訳（メタデータ） (2023-03-14T03:04:37Z)
• Tracking perovskite crystallization via deep learning-based feature detection on 2D X-ray scattering data [137.47124933818066]
  本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。 有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
  論文  参考訳（メタデータ） (2022-02-22T15:39:00Z)
• Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
  我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。 結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。 シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
  論文  参考訳（メタデータ） (2022-02-01T03:53:39Z)
• Complexity from Adaptive-Symmetries Breaking: Global Minima in the Statistical Mechanics of Deep Neural Networks [0.0]
  深部ニューラルネットワーク(DNN)を理解するために、物理における保守対称性への適応対称性というアンチセティカル概念を提案する。 我々はDNNシステムの最適化過程を適応対称性破りの拡張プロセスとして特徴付けている。 より具体的には、この過程は統計物理学の一般化として評価できる統計力学モデルによって特徴づけられる。
  論文  参考訳（メタデータ） (2022-01-03T09:06:44Z)
• Capturing scattered discriminative information using a deep architecture in acoustic scene classification [49.86640645460706]
  本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。 我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。 2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
  論文  参考訳（メタデータ） (2020-07-09T08:32:06Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)
• Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
  過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。 また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
  論文  参考訳（メタデータ） (2020-02-20T15:43:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。