論文の概要: Grain segmentation in atomistic simulations using orientation-based
iterative self-organizing data analysis
- arxiv url: http://arxiv.org/abs/2112.03348v1
- Date: Mon, 6 Dec 2021 20:44:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-08 16:05:51.155423
- Title: Grain segmentation in atomistic simulations using orientation-based
iterative self-organizing data analysis
- Title(参考訳): 方位に基づく反復自己組織化データ解析による原子シミュレーションにおける粒界分節化
- Authors: M. Vimal and S. Sandfeld and A. Prakash
- Abstract要約: 教師なし機械学習アルゴリズムを用いて、原子論的な構成の粒界分割法を提案する。
提案手法はOrisodataアルゴリズムと呼ばれ,反復的な自己組織化データ解析手法に基づいて,向き空間で動作するように修正されている。
その結果,Orisodataアルゴリズムは変形双対と低角粒界で分離された領域を正確に同定できることがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Atomistic simulations have now established themselves as an indispensable
tool in understanding deformation mechanisms of materials at the atomic scale.
Large scale simulations are regularly used to study the behavior of
polycrystalline materials at the nanoscale. In this work, we propose a method
for grain segmentation of an atomistic configuration using an unsupervised
machine learning algorithm that clusters atoms into individual grains based on
their orientation. The proposed method, called the Orisodata algorithm, is
based on the iterative self-organizing data analysis technique and is modified
to work in the orientation space. The working of the algorithm is demonstrated
on a 122 grain nanocrystalline thin film sample in both undeformed and deformed
states. The Orisodata algorithm is also compared with two other grain
segmentation algorithms available in the open-source visualization tool Ovito.
The results show that the Orisodata algorithm is able to correctly identify
deformation twins as well as regions separated by low angle grain boundaries.
The model parameters have intuitive physical meaning and relate to similar
thresholds used in experiments, which not only helps obtain optimal values but
also facilitates easy interpretation and validation of results.
- Abstract(参考訳): 原子論的シミュレーションは、原子スケールでの材料の変形機構を理解する上で欠かせない道具として確立されている。
ナノスケールでの多結晶材料の挙動を研究するために、大規模シミュレーションが定期的に用いられる。
本研究では,非教師付き機械学習アルゴリズムを用いて,原子を個々の粒に群集し,その配向に基づいて粒状構造を粒状分節化する手法を提案する。
提案手法はOrisodataアルゴリズムと呼ばれ,反復的な自己組織化データ解析手法に基づいて,向き空間で動作するように修正されている。
アルゴリズムの動作は、未変形および変形状態の122の結晶ナノ結晶薄膜試料上で実証される。
Orisodataアルゴリズムは、オープンソースビジュアライゼーションツールOvitoで利用可能な他の2つのグレーンセグメンテーションアルゴリズムと比較される。
その結果,Orisodataアルゴリズムは変形双対と低角粒界で分離された領域を正確に同定できることがわかった。
モデルパラメータは直感的な物理的意味を持ち、実験で使われる類似のしきい値と関連しており、最適な値を得るのに役立つだけでなく、結果の解釈や検証を容易にする。
関連論文リスト
- Machine Learning for Identifying Grain Boundaries in Scanning Electron Microscopy (SEM) Images of Nanoparticle Superlattices [0.0]
ナノ粒子超格子の走査型電子顕微鏡(SEM)画像における粒界分割の自動化のための機械学習ワークフローを提案する。
我々は、生のピクセルデータをクラスタリングのための超格子配向の説明可能な数値表現に変換する。
この効率性により、ワークフローは大規模なデータセットにスケーラブルになり、データ駆動モデルを意思決定プロセスに統合するための貴重なツールになります。
論文 参考訳(メタデータ) (2025-01-07T22:51:10Z) - Stochastic gradient descent estimation of generalized matrix factorization models with application to single-cell RNA sequencing data [41.94295877935867]
単細胞RNAシークエンシングは、個々の細胞レベルでの遺伝子発現の定量化を可能にする。
次元の減少は、サンプルの可視化、クラスタリング、表現型特徴付けを単純化する一般的な前処理ステップである。
一般指数分散族分布を仮定した一般化行列分解モデルを提案する。
本稿では,モデルを効率的に推定できるスケーラブル適応降下アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-12-29T16:02:15Z) - Application of machine learning in grain-related clustering of Laue spots in a polycrystalline energy dispersive Laue pattern [0.0]
教師なし機械学習(ML)を用いて、エネルギー分散Laure回折実験における結晶粒対応Laure反射を同定する。
我々は,階層的クラスタリング(HC)とK平均(K-means)を組み合わせたクラスタリングアルゴリズムを用いて,ローパターンの粒度を同定する。
論文 参考訳(メタデータ) (2024-12-16T09:28:17Z) - Symmetry Nonnegative Matrix Factorization Algorithm Based on Self-paced Learning [10.6600050775306]
モデルのクラスタリング性能を向上させるために, 対称非負行列分解法を提案した。
全ての試料の難易度を測定できる重み変数を割り当てた。
実験の結果,提案アルゴリズムの有効性が示された。
論文 参考訳(メタデータ) (2024-10-20T06:33:02Z) - Gradient-Based Feature Learning under Structured Data [57.76552698981579]
異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。
バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。
特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
論文 参考訳(メタデータ) (2023-09-07T16:55:50Z) - 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) - 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) - Machine Learning for Vibrational Spectroscopy via Divide-and-Conquer
Semiclassical Initial Value Representation Molecular Dynamics with
Application to N-Methylacetamide [56.515978031364064]
核振動空間を部分空間に分割する機械学習アルゴリズムを導入する。
部分分割基準は、リウヴィルの定理、すなわち減次元ジャコビアン行列式のユニタリの最良の保存に基づいている。
このアルゴリズムは12-原子トランス-N-メチルアセトアミドのパワースペクトルの分割・対数半古典計算に適用される。
論文 参考訳(メタデータ) (2021-01-11T14:47:33Z) - Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature
Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。
提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文 参考訳(メタデータ) (2020-12-29T04:08:38Z) - A Novel Granular-Based Bi-Clustering Method of Deep Mining the
Co-Expressed Genes [76.84066556597342]
ビクラスタリング法は、サンプル(遺伝子)のサブセットが試験条件下で協調的に制御されるバイクラスタをマイニングするために用いられる。
残念ながら、従来の二クラスタ法はそのような二クラスタを発見するのに完全には効果がない。
本稿では,グラニュラーコンピューティングの理論を取り入れた新しい2クラスタリング手法を提案する。
論文 参考訳(メタデータ) (2020-05-12T02:04:40Z)
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。