論文の概要: Towards Reflectivity profile inversion through Artificial Neural Networks

• arxiv url: http://arxiv.org/abs/2010.07634v3
• Date: Sun, 24 Jan 2021 10:00:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 05:42:32.210840
• Title: Towards Reflectivity profile inversion through Artificial Neural Networks
• Title（参考訳）: ニューラルネットワークによる反射率プロファイルインバージョンに向けて
• Authors: Juan Manuel Carmona-Loaiza and Zamaan Raza
• Abstract要約: スペクトル中性子とX線反射率の目標は、実験反射率曲線から長さ密度プロファイルを散乱する材料を推定することである。 本稿では,ニューラルネットワークを用いた非可逆問題に対する元来のアプローチについて検討する。
• 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: The goal of Specular Neutron and X-ray Reflectometry is to infer materials Scattering Length Density (SLD) profiles from experimental reflectivity curves. This paper focuses on investigating an original approach to the ill-posed non-invertible problem which involves the use of Artificial Neural Networks (ANN). In particular, the numerical experiments described here deal with large data sets of simulated reflectivity curves and SLD profiles, and aim to assess the applicability of Data Science and Machine Learning technology to the analysis of data generated at neutron scattering large scale facilities. It is demonstrated that, under certain circumstances, properly trained Deep Neural Networks are capable of correctly recovering plausible SLD profiles when presented with never-seen-before simulated reflectivity curves. When the necessary conditions are met, a proper implementation of the described approach would offer two main advantages over traditional fitting methods when dealing with real experiments, namely, 1. sample physical models are described under a new paradigm: detailed layer-by-layer descriptions (SLDs, thicknesses, roughnesses) are replaced by parameter free curves $\rho(z)$, allowing a-priori assumptions to be fed in terms of the sample family to which a given sample belongs (e.g. "thin film", "lamellar structure", etc.) 2. the time-to-solution is shrunk by orders of magnitude, enabling faster batch analyses for large datasets.
• Abstract（参考訳）: スペクトル中性子とX線リフレクションメトリーの目標は、実験反射率曲線からSLD(Scattering Length Density)プロファイルを推定することである。 本稿では,ニューラルネットワーク(ANN)を用いた非可逆問題に対する元来のアプローチについて検討する。 特に, シミュレーションされた反射率曲線とSLDプロファイルの大規模なデータ集合を扱う数値実験を行い, 中性子散乱大規模施設におけるデータ解析へのデータサイエンスと機械学習技術の適用性を評価することを目的とする。 特定の状況下では、適切に訓練されたDeep Neural Networksは、予測できない反射率曲線を提示した場合に、可視なSLDプロファイルを正しく復元することができる。 必要な条件が満たされれば、記述されたアプローチの適切な実装は、実際の実験を扱う際に、従来のフィッティング方法よりも2つの大きな利点をもたらすだろう。 詳細な層別記述(sld、厚み、粗さ)はパラメータフリー曲線$\rho(z)$に置き換えられ、与えられたサンプルが属するサンプルファミリー(例えば、"thin film"、"lamellar structure"など)からa-priori仮定が供給される。 2. 解法は桁違いに縮小され,大規模データセットのバッチ解析が高速化される。

関連論文リスト

• Learning Coupled Subspaces for Multi-Condition Spike Data [8.114880112033644]
  神経科学では、研究者は複数の条件下で実験を行い、高次元スパイクトレインデータセットの形で神経応答を得る。 実験条件空間上でスムーズなチューニング関数を学習するための非パラメトリックベイズ手法を提案する。
  論文  参考訳（メタデータ） (2024-10-24T20:44:28Z)
• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Joint Edge-Model Sparse Learning is Provably Efficient for Graph Neural Networks [89.28881869440433]
  本稿では,グラフニューラルネットワーク(GNN)における結合エッジモデルスパース学習の理論的特徴について述べる。 解析学的には、重要なノードをサンプリングし、最小のマグニチュードでプルーニングニューロンをサンプリングすることで、サンプルの複雑さを減らし、テスト精度を損なうことなく収束を改善することができる。
  論文  参考訳（メタデータ） (2023-02-06T16:54:20Z)
• Deep learning for full-field ultrasonic characterization [7.120879473925905]
  本研究では、最近の機械学習の進歩を活用して、物理に基づくデータ分析プラットフォームを構築する。 直接反転と物理インフォームドニューラルネットワーク(PINN)の2つの論理について検討した。
  論文  参考訳（メタデータ） (2023-01-06T05:01:05Z)
• Learning Low Dimensional State Spaces with Overparameterized Recurrent Neural Nets [57.06026574261203]
  我々は、長期記憶をモデル化できる低次元状態空間を学習するための理論的証拠を提供する。 実験は、線形RNNと非線形RNNの両方で低次元状態空間を学習することで、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2022-10-25T14:45:15Z)
• An Information-Theoretic Framework for Supervised Learning [22.280001450122175]
  後悔とサンプルの複雑さという独自の概念を持つ新しい情報理論フレームワークを提案する。 本稿では、ReLUアクティベーションユニットを用いたディープニューラルネットワークによって生成されたデータから学習する際のサンプルの複雑さについて検討する。 我々は、ランダムな単層ニューラルネットワークの実験的な解析により、理論結果を裏付けることで結論付ける。
  論文  参考訳（メタデータ） (2022-03-01T05:58:28Z)
• Estimating permeability of 3D micro-CT images by physics-informed CNNs based on DNS [1.6274397329511197]
  本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。 透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。 その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
  論文  参考訳（メタデータ） (2021-09-04T08:43:19Z)
• A robust low data solution: dimension prediction of semiconductor nanorods [5.389015968413988]
  半導体ナノロッド(NR)の長さ,幅,アスペクト比を正確に予測するために,ロバストディープニューラルネットワークに基づく回帰アルゴリズムを開発した。 深部ニューラルネットワークは、類似した分布を持つ原データと生成データの両方に対して、よく実行される予測を実証した回帰モデルの開発にさらに応用される。
  論文  参考訳（メタデータ） (2020-10-27T07:51:38Z)
• Revealing the Structure of Deep Neural Networks via Convex Duality [70.15611146583068]
  我々は,正規化深層ニューラルネットワーク(DNN)について検討し,隠蔽層の構造を特徴付ける凸解析フレームワークを導入する。 正規正規化学習問題に対する最適隠蔽層重みの集合が凸集合の極点として明確に見出されることを示す。 ホワイトデータを持つ深部ReLUネットワークに同じ特徴を応用し、同じ重み付けが成り立つことを示す。
  論文  参考訳（メタデータ） (2020-02-22T21:13:44Z)

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。