論文の概要: Machine Learning approach to muon spectroscopy analysis
- arxiv url: http://arxiv.org/abs/2010.04742v2
- Date: Thu, 19 Nov 2020 18:00:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 06:06:15.019331
- Title: Machine Learning approach to muon spectroscopy analysis
- Title（参考訳）: ミューオン分光分析のための機械学習アプローチ
- Authors: T. Tula, G. M\"oller, J. Quintanilla, S. R. Giblin, A. D. Hillier, E.
E. McCabe, S. Ramos, D. S. Barker, S. Gibson
- Abstract要約: 我々は、ミューオン分光実験からデータを分析するツールとして、主成分分析(PCA)と呼ばれる教師なし機械学習アルゴリズムを適用した。
PCAは、非対称性曲線の小さな違いに焦点を合わせ、研究されたサンプルについて事前の仮定なしで機能する。
ミューオン分光実験において,PCA法は相転移の検出に有効であり,電流解析の代替として有効であることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, Artificial Intelligence techniques have proved to be very
successful when applied to problems in physical sciences. Here we apply an
unsupervised Machine Learning (ML) algorithm called Principal Component
Analysis (PCA) as a tool to analyse the data from muon spectroscopy
experiments. Specifically, we apply the ML technique to detect phase
transitions in various materials. The measured quantity in muon spectroscopy is
an asymmetry function, which may hold information about the distribution of the
intrinsic magnetic field in combination with the dynamics of the sample. Sharp
changes of shape of asymmetry functions - measured at different temperatures -
might indicate a phase transition. Existing methods of processing the muon
spectroscopy data are based on regression analysis, but choosing the right
fitting function requires knowledge about the underlying physics of the probed
material. Conversely, Principal Component Analysis focuses on small differences
in the asymmetry curves and works without any prior assumptions about the
studied samples. We discovered that the PCA method works well in detecting
phase transitions in muon spectroscopy experiments and can serve as an
alternative to current analysis, especially if the physics of the studied
material are not entirely known. Additionally, we found out that our ML
technique seems to work best with large numbers of measurements, regardless of
whether the algorithm takes data only for a single material or whether the
analysis is performed simultaneously for many materials with different physical
properties.
- Abstract（参考訳）: 近年、人工知能技術は物理科学の問題に適用することで非常に成功したことが証明されている。
ここでは、ミューオン分光実験からデータを分析するツールとして、主成分分析(PCA)と呼ばれる教師なし機械学習アルゴリズムを適用する。
具体的には,ML法を用いて各種材料の相転移を検出する。
ミューオン分光法における測定量は非対称性関数であり、試料の力学と組み合わせて固有磁場の分布に関する情報を保持することができる。
非対称性関数の形状の鋭い変化 - 異なる温度で測定すると、相転移を示す。
ミューオン分光データを処理する既存の方法は回帰分析に基づいているが、適切な適合関数を選択するには、プローブされた物質の基礎となる物理学に関する知識が必要である。
逆に主成分分析は非対称性曲線の小さな差に焦点をあて、研究されたサンプルについて事前の仮定なしに機能する。
本手法は, ミューオン分光実験における相転移の検出に有効であり, 特に実験物質の物理が完全には分かっていない場合, 電流解析の代替として有効であることがわかった。
さらに,本手法は,1つの材料に対してのみデータを取るか,異なる物理特性を持つ多くの材料に対して同時に解析を行うかに関わらず,多数の測定値に対して最適であることがわかった。
関連論文リスト
- Detecting Quantum and Classical Phase Transitions via Unsupervised Machine Learning of the Fisher Information Metric [0.0]
そこで我々はClassiFIMと呼ばれる教師なし機械学習(ML)手法を開発した。
クラスiFIMは、トポロジカル(例えばXXZ鎖)と動的(例えば、ハバードモデルにおける金属絶縁体遷移)の両方を確実に検出する。
論文 参考訳（メタデータ） (2024-08-06T19:34:04Z) - Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。
提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
論文 参考訳（メタデータ） (2023-11-30T13:50:21Z) - Towards Symmetry-Aware Generation of Periodic Materials [64.21777911715267]
本稿では,周期構造体の物理対称性を捉える新しい物質生成手法であるSyMatを提案する。
SyMatは、変分オートエンコーダモデルを用いて、原子タイプセット、格子長、格子角を生成することによって、材料の原子タイプと格子を生成する。
我々は,SyMatが材料上のすべての対称性変換に理論的に不変であることを示し,SyMatがランダム生成および特性最適化タスクにおいて有望な性能を達成することを示す。
論文 参考訳（メタデータ） (2023-07-06T01:05:34Z) - Closing the loop: Autonomous experiments enabled by
machine-learning-based online data analysis in synchrotron beamline
environments [80.49514665620008]
機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。
本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。
本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
論文 参考訳（メタデータ） (2023-06-20T21:21:19Z) - Combining Variational Autoencoders and Physical Bias for Improved
Microscopy Data Analysis [0.0]
本稿では,データ内の変数の因子を分散させる物理拡張機械学習手法を提案する。
本手法はNiO-LSMO, BiFeO3, グラフェンなど様々な材料に適用される。
その結果,大量の画像データから有意な情報を抽出する手法の有効性が示された。
論文 参考訳（メタデータ） (2023-02-08T17:35:38Z) - Exploring Supervised Machine Learning for Multi-Phase Identification and
Quantification from Powder X-Ray Diffraction Spectra [1.0660480034605242]
粉体X線回折分析は材料特性評価法の重要な構成要素である。
深層学習は、X線スペクトルから結晶学パラメータと特徴を予測するための主要な焦点となっている。
ここでは,多ラベル結晶相同定のための深層学習の代わりに,従来の教師付き学習アルゴリズムに関心がある。
論文 参考訳（メタデータ） (2022-11-16T00:36:13Z) - Analytical Modelling of Exoplanet Transit Specroscopy with Dimensional
Analysis and Symbolic Regression [68.8204255655161]
ディープラーニング革命は、そのような分析結果を直接、データに適合するコンピュータアルゴリズムで導き出すための扉を開いた。
我々は、一般的なホットジュピター系外惑星の遷移半径の合成データにおける記号回帰の利用をうまく実証した。
前処理のステップとして,変数の無次元な組み合わせを特定するために次元解析を用いる。
論文 参考訳（メタデータ） (2021-12-22T00:52:56Z) - Joint machine learning analysis of muon spectroscopy data from different
materials [0.0]
我々は、主成分分析(PCA)を用いて、ミューオン分光からのデータを調べる。
PCAは教師なしの機械学習ツールであり、入力データに関する仮定は不要である。
この方法は、基礎となる物理の異なる様々な磁性材料に適用された。
論文 参考訳（メタデータ） (2021-12-17T16:21:53Z) - Gaussian Process Regression for Absorption Spectra Analysis of Molecular
Dimers [68.8204255655161]
本稿では、ガウス過程回帰(GPR)から数値計算のパラメータを選択する機械学習技術に基づくアプローチについて議論する。
このアプローチは最適パラメータ集合に素早く収束するだけでなく、完全なパラメータ空間に関する情報を提供する。
実際、GPRは量子化学法を用いてこれらのパラメータの直接計算と一致した信頼性の高い結果を与える。
論文 参考訳（メタデータ） (2021-12-14T17:46:45Z) - A probabilistic deep learning approach to automate the interpretation of
multi-phase diffraction spectra [4.240899165468488]
シミュレーション回折スペクトルで訓練されたアンサンブル畳み込みニューラルネットワークを開発し、複素多相混合を同定する。
シミュレーションおよび実験的に測定された回折スペクトルをベンチマークし, これまでに報告した手法よりも精度が優れていることを示す。
論文 参考訳（メタデータ） (2021-03-30T20:13:01Z) - Unsupervised machine learning of topological phase transitions from
experimental data [52.77024349608834]
超低温原子からの実験データに教師なし機械学習技術を適用する。
我々は、完全にバイアスのない方法で、ハルダンモデルの位相位相図を得る。
我々の研究は、複雑な多体系における新しいエキゾチック位相の教師なし検出のためのベンチマークを提供する。
論文 参考訳（メタデータ） (2021-01-14T16:38:21Z)
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。