論文の概要: Machine Learning-Assisted Analysis of Small Angle X-ray Scattering

• arxiv url: http://arxiv.org/abs/2111.08645v1
• Date: Tue, 16 Nov 2021 17:29:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-17 14:54:21.321691
• Title: Machine Learning-Assisted Analysis of Small Angle X-ray Scattering
• Title（参考訳）: 機械学習による小角X線散乱の解析
• Authors: Piotr Tomaszewski, Shun Yu, Markus Borg, Jerk R\"onnols
• Abstract要約: 小角X線散乱(SAXS)は、ナノ構造を調べる方法として材料科学で広く用いられている。 実験的なSAXSデータの解析では、かなり単純なデータ形式を膨大な構造モデルにマッピングする。 モデル選択のレコメンデーションを提供するために,オープンソースの機械学習ツールSCANを開発し,評価する。
• 参考スコア（独自算出の注目度）: 7.025418443146435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Small angle X-ray scattering (SAXS) is extensively used in materials science as a way of examining nanostructures. The analysis of experimental SAXS data involves mapping a rather simple data format to a vast amount of structural models. Despite various scientific computing tools to assist the model selection, the activity heavily relies on the SAXS analysts' experience, which is recognized as an efficiency bottleneck by the community. To cope with this decision-making problem, we develop and evaluate the open-source, Machine Learning-based tool SCAN (SCattering Ai aNalysis) to provide recommendations on model selection. SCAN exploits multiple machine learning algorithms and uses models and a simulation tool implemented in the SasView package for generating a well defined set of datasets. Our evaluation shows that SCAN delivers an overall accuracy of 95%-97%. The XGBoost Classifier has been identified as the most accurate method with a good balance between accuracy and training time. With eleven predefined structural models for common nanostructures and an easy draw-drop function to expand the number and types training models, SCAN can accelerate the SAXS data analysis workflow.
• Abstract（参考訳）: 小角X線散乱(SAXS)は、ナノ構造を調べる方法として材料科学で広く用いられている。 実験的なSAXSデータの解析では、かなり単純なデータ形式を膨大な構造モデルにマッピングする。 モデル選択を支援する様々な科学計算ツールにもかかわらず、この活動はSAXSアナリストの経験に大きく依存しており、コミュニティによって効率のボトルネックとして認識されている。 この意思決定問題に対処するため、我々はオープンソースの機械学習ベースのツールSCAN(SCattering Ai aNalysis)を開発し、評価し、モデル選択に関するレコメンデーションを提供する。 SCANは複数の機械学習アルゴリズムを利用し、SassViewパッケージに実装されたモデルとシミュレーションツールを使用して、明確に定義されたデータセットセットを生成する。 評価の結果,SCANの全体的な精度は95%～97%であった。 XGBoost Classifierは、精度とトレーニング時間とのバランスのよい最も正確な方法として特定されている。 一般的なナノ構造のための11の事前定義された構造モデルと、数と型トレーニングモデルを拡張する簡易な描画機能により、SCANはSAXSデータ分析ワークフローを加速できる。

関連論文リスト

• Machine Learning-Driven Optimization of TPMS Architected Materials Using Simulated Annealing [0.0]
  本研究は,3周期最小表面(TPMS)構造の引張応力を機械学習とシミュレートアニーリング(SA)により最適化する新しい手法を提案する。 本研究は, TPMSモデルの有限要素解析から得られたデータセットを用いて, 応力予測におけるランダムフォレスト, 決定木およびXGBoostモデルの性能を評価する。
  論文  参考訳（メタデータ） (2024-05-28T05:06:37Z)
• IGANN Sparse: Bridging Sparsity and Interpretability with Non-linear Insight [4.010646933005848]
  IGANN Sparseは、一般化された加法モデルのファミリーから生まれた、新しい機械学習モデルである。 トレーニング中の非線形特徴選択プロセスを通じて、スパシティを促進する。 これにより、予測性能を犠牲にすることなく、モデル空間の改善による解釈可能性を保証する。
  論文  参考訳（メタデータ） (2024-03-17T22:44:36Z)
• Making informed decisions in cutting tool maintenance in milling: A KNN based model agnostic approach [0.0]
  そこで本研究では,KNNをベースとしたホワイトボックスモデルを提案する。 このアプローチは、ツールが特定の状態にある理由を検出するのに役立つ。
  論文  参考訳（メタデータ） (2023-10-23T07:02:30Z)
• An Interpretable Systematic Review of Machine Learning Models for Predictive Maintenance of Aircraft Engine [0.12289361708127873]
  本稿では,航空機エンジンの保守性を予測するため,各種機械学習モデルと深層学習モデルの解釈可能なレビューを行う。 本研究では, LSTM, Bi-LSTM, RNN, Bi-RNN GRU, Random Forest, KNN, Naive Bayes, Gradient Boostingを用いて, 航空機のエンジン故障の予測にセンサデータを用いた。 97.8%、97.14%、96.42%はGRU、Bi-LSTM、LSTMによってそれぞれ得られる。
  論文  参考訳（メタデータ） (2023-09-23T08:54:10Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• GalaxAI: Machine learning toolbox for interpretable analysis of spacecraft telemetry data [48.42042893355919]
  GalaxAIは、宇宙船のテレメトリデータを分析するための汎用的な機械学習ツールボックスである。 多変量時系列解析、分類、回帰、構造化出力予測に様々な機械学習アルゴリズムを使用している。 本稿では,2つの異なる宇宙船に関する2つのユースケースにおいて,GalaxAIの有用性と汎用性を示す。
  論文  参考訳（メタデータ） (2021-08-03T10:45:20Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• A Forward Backward Greedy approach for Sparse Multiscale Learning [0.0]
  本稿では,カーネルが重み付きマルチスケール構造を持つRKHS(Reproduction Kernel Hilbert space)を提案する。 この空間における近似を生成するために、多スケール構造を持つ基底関数の集合をゆるやかに構成できる実用的なフォワードバックワードアルゴリズムを提供する。 我々は,様々なシミュレーションと実データ集合を用いて,アプローチの性能を解析する。
  論文  参考訳（メタデータ） (2021-02-14T04:22:52Z)
• Efficient Model-Based Reinforcement Learning through Optimistic Policy Search and Planning [93.1435980666675]
  最先端の強化学習アルゴリズムと楽観的な探索を容易に組み合わせることができることを示す。 我々の実験は、楽観的な探索が行動に罰則がある場合、学習を著しくスピードアップすることを示した。
  論文  参考訳（メタデータ） (2020-06-15T18:37:38Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。