論文の概要: Materials Fingerprinting Classification
- arxiv url: http://arxiv.org/abs/2101.05808v1
- Date: Thu, 14 Jan 2021 20:32:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-29 02:38:15.291913
- Title: Materials Fingerprinting Classification
- Title(参考訳): 材料指紋分類
- Authors: Adam Spannaus, Kody J. H. Law, Piotr Luszczek, Farzana Nasrin, Cassie
Putman Micucci, Peter K. Liaw, Louis J. Santodonato, David J. Keffer,
Vasileios Maroulas
- Abstract要約: 原子プローブトモグラフィ(APT)はノイズとスパースデータセットを生成する。
材料指紋加工プロセスの適用は、前例のない構造情報を抽出することができる手段を提供する。
指紋の識別に成功することは、よりニュアンスのある情報を引き出すアルゴリズムの開発における重要な第一歩です。
- 参考スコア(独自算出の注目度): 2.0236506875465863
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Significant progress in many classes of materials could be made with the
availability of experimentally-derived large datasets composed of atomic
identities and three-dimensional coordinates. Methods for visualizing the local
atomic structure, such as atom probe tomography (APT), which routinely generate
datasets comprised of millions of atoms, are an important step in realizing
this goal. However, state-of-the-art APT instruments generate noisy and sparse
datasets that provide information about elemental type, but obscure atomic
structures, thus limiting their subsequent value for materials discovery. The
application of a materials fingerprinting process, a machine learning algorithm
coupled with topological data analysis, provides an avenue by which
here-to-fore unprecedented structural information can be extracted from an APT
dataset. As a proof of concept, the material fingerprint is applied to
high-entropy alloy APT datasets containing body-centered cubic (BCC) and
face-centered cubic (FCC) crystal structures. A local atomic configuration
centered on an arbitrary atom is assigned a topological descriptor, with which
it can be characterized as a BCC or FCC lattice with near perfect accuracy,
despite the inherent noise in the dataset. This successful identification of a
fingerprint is a crucial first step in the development of algorithms which can
extract more nuanced information, such as chemical ordering, from existing
datasets of complex materials.
- Abstract(参考訳): 多くの種類の材料の重要な進歩は、原子のアイデンティティと3次元座標からなる実験から得られた大きなデータセットが利用可能になったことで達成できる。
数百万の原子からなるデータセットを日常的に生成する原子プローブトモグラフィ(APT)のような局所原子構造を可視化する方法は、この目標を実現するための重要なステップである。
しかし、最先端のapt機器は、元素型に関する情報を提供するノイズやスパースデータセットを生成するが、原子構造はあいまいであり、それに続く材料発見の価値を制限している。
材料指紋処理の応用は、トポロジカルデータ解析と組み合わせた機械学習アルゴリズムであり、APTデータセットからこれまでにないような構造情報を抽出する手段を提供する。
概念実証として、物質指紋は、ボディセンター立方体(BCC)とフェイスセンター立方体(FCC)結晶構造を含む高エントロピー合金APTデータセットに適用される。
任意の原子を中心とする局所原子構成はトポロジカルディスクリプタに割り当てられ、データセットに固有のノイズがあるにもかかわらず、ほぼ完全な精度でbccまたはfcc格子として特徴づけることができる。
この指紋の同定の成功は、複雑な材料の既存のデータセットから化学順序などのニュアンス情報を抽出するアルゴリズムの開発において重要な第一歩である。
関連論文リスト
- Material Property Prediction with Element Attribute Knowledge Graphs and Multimodal Representation Learning [8.523289773617503]
要素特性知識グラフを構築し、埋め込みモデルを用いて、要素属性を知識グラフ内にエンコードする。
マルチモーダル融合フレームワークであるESNetは、要素特性特徴と結晶構造特徴を統合し、ジョイントマルチモーダル表現を生成する。
これは結晶材料の性能を予測するためのより包括的な視点を提供する。
論文 参考訳(メタデータ) (2024-11-13T08:07:21Z) - Datacube segmentation via Deep Spectral Clustering [76.48544221010424]
拡張ビジョン技術は、しばしばその解釈に挑戦する。
データ立方体スペクトルの巨大な次元性は、その統計的解釈において複雑なタスクを生じさせる。
本稿では,符号化空間における教師なしクラスタリング手法の適用の可能性について検討する。
統計的次元削減はアドホック訓練(可変)オートエンコーダで行い、クラスタリング処理は(学習可能な)反復K-Meansクラスタリングアルゴリズムで行う。
論文 参考訳(メタデータ) (2024-01-31T09:31:28Z) - Towards End-to-End Structure Solutions from Information-Compromised
Diffraction Data via Generative Deep Learning [6.617784410952713]
機械学習(ML)とディープラーニング(DL)は、既に知られている構造を持つ大規模データベースから学習した事前知識を用いて、劣化した入力信号の情報を増大させるため、有望なアプローチである。
ここでは、この問題にエンドツーエンドで対処する堅牢だが汎用的なツールである、バラツキクエリベースのマルチブランチディープニューラルネットワークである、新しいMLアプローチを提案する。
このシステムは、既知の化学組成情報と部分的に知られている化学組成情報の両方で、目に見えない素材の真実と平均9.3.4%の類似性を達成している。
論文 参考訳(メタデータ) (2023-12-23T02:17:27Z) - Higher-order topological kernels via quantum computation [68.8204255655161]
トポロジカルデータ分析(TDA)は、複雑なデータから意味のある洞察を抽出する強力なツールとして登場した。
本稿では,ベッチ曲線の次数増加に基づくBettiカーネルの量子的定義法を提案する。
論文 参考訳(メタデータ) (2023-07-14T14:48:52Z) - Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。
近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
論文 参考訳(メタデータ) (2023-06-20T14:21:58Z) - Neural FIM for learning Fisher Information Metrics from point cloud data [71.07939200676199]
我々は、ポイントクラウドデータからフィッシャー情報量(FIM)を計算するためのニューラルFIMを提案する。
本稿では,PHATE可視化手法のパラメータの選択と,IPSCリプログラミングとPBMC(免疫細胞)の2つの単一セルデータセットと,おもちゃデータセットの分岐点とクラスタセンターの埋め込みに関する情報を得る能力について述べる。
論文 参考訳(メタデータ) (2023-06-01T17:36:13Z) - Atomic structure generation from reconstructing structural fingerprints [1.2128971613239876]
本稿では、原子中心対称性関数を表現として、条件付き変分オートエンコーダを生成モデルとして、エンドツーエンド構造生成手法を提案する。
我々は、概念実証として、サブナノメーターPtナノ粒子の新規で有効な原子構造を生成することに成功した。
論文 参考訳(メタデータ) (2022-07-27T00:42:59Z) - Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet
Transmission Spectra [68.8204255655161]
我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。
スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。
主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
論文 参考訳(メタデータ) (2022-01-07T22:26:33Z) - A FAIR and AI-ready Higgs Boson Decay Dataset [15.325110053200305]
この記事では、与えられたデータセットがそれぞれのFAIR原則を満たすかどうかを評価するためのステップバイステップアセスメントガイドを提供する。
次に、CERN Large Hadron ColliderのCMS Collaborationによって生成されたオープン・シミュレートされたデータセットのFAIRnessを評価するために、このガイドを使用する方法を示す。
この研究は、高エネルギー粒子物理学データセットとAIモデルにおけるFAIRnessの作成と定量化に科学者を導くための一連の論文の中で、最初のものである。
論文 参考訳(メタデータ) (2021-08-04T18:00:03Z) - Optimal radial basis for density-based atomic representations [58.720142291102135]
データセットの構造的多様性を最も効率的に表現するために選択される適応的で最適な数値ベースを構築する方法について議論します。
トレーニングデータセットごとに、この最適なベースはユニークで、プリミティブベースに関して追加のコストなしで計算することができる。
この構成が精度と計算効率のよい表現をもたらすことを実証する。
論文 参考訳(メタデータ) (2021-05-18T17:57:08Z) - On Open and Strong-Scaling Tools for Atom Probe Crystallography:
High-Throughput Methods for Indexing Crystal Structure and Orientation [0.0]
体積結晶構造インデクシングと配向マッピングは空間相関の定量的研究のための重要なデータ処理ステップである。
原子プローブトモグラフィー(APT)実験では、多くのAPTデータセットが大きなノイズを含む可能性があるため、測定されたパターンと解析されたパターンの比較戦略はより堅牢である。
複数の位相を持つナノ結晶APTデータセットにおける結晶構造と結晶配向の同定と自動同定のためのオープンソースソフトウェアツールの開発を可能にする方法について報告する。
論文 参考訳(メタデータ) (2020-09-01T22:50:03Z)
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。