論文の概要: Joint machine learning analysis of muon spectroscopy data from different
materials
- arxiv url: http://arxiv.org/abs/2112.09601v1
- Date: Fri, 17 Dec 2021 16:21:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-20 17:16:13.053202
- Title: Joint machine learning analysis of muon spectroscopy data from different
materials
- Title（参考訳）: 異なる材料からのミューオン分光データの共同機械学習解析
- 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、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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning (ML) methods have proved to be a very successful tool in
physical sciences, especially when applied to experimental data analysis.
Artificial intelligence is particularly good at recognizing patterns in high
dimensional data, where it usually outperforms humans. Here we applied a simple
ML tool called principal component analysis (PCA) to study data from muon
spectroscopy. The measured quantity from this experiment is an asymmetry
function, which holds the information about the average intrinsic magnetic
field of the sample. A change in the asymmetry function might indicate a phase
transition; however, these changes can be very subtle, and existing methods of
analyzing the data require knowledge about the specific physics of the
material. PCA is an unsupervised ML tool, which means that no assumption about
the input data is required, yet we found that it still can be successfully
applied to asymmetry curves, and the indications of phase transitions can be
recovered. The method was applied to a range of magnetic materials with
different underlying physics. We discovered that performing PCA on all those
materials simultaneously can have a positive effect on the clarity of phase
transition indicators and can also improve the detection of the most important
variations of asymmetry functions. For this joint PCA we introduce a simple way
to track the contributions from different materials for a more meaningful
analysis.
- Abstract（参考訳）: 機械学習(ML)手法は、特に実験データ分析に適用した場合、物理科学において非常に成功したツールであることが証明されている。
人工知能は、高次元データのパターンを認識するのに特に適しています。
そこで本研究では,主成分分析(principal component analysis, pca)と呼ばれる単純なmlツールを適用した。
この実験から得られた測定量は非対称性関数であり、サンプルの平均固有磁場に関する情報を保持する。
非対称性関数の変化は相転移を示すかもしれないが、これらの変化は非常に微妙であり、既存の分析法では物質の特定の物理に関する知識を必要とする。
pcaは教師なしのmlツールであり、入力データに関する仮定は必要ないが、非対称性曲線にうまく適用でき、相転移の兆候を回復できることがわかった。
この手法は、基礎となる物理の異なる磁性材料に適用された。
また,これらすべての材料でpcaを同時に行うと,相転移指標の明瞭さに正の効果が得られ,非対称性関数の最も重要な変動の検出も改善できることがわかった。
この共同PCAのために、より意味のある分析のために、異なる材料からのコントリビューションを追跡する簡単な方法を紹介します。
関連論文リスト
- Physics Informed Machine Learning (PIML) methods for estimating the remaining useful lifetime (RUL) of aircraft engines [0.0]
本研究の目的は、新たに開発された物理情報機械学習(PIML)を用いて、残りの実用寿命(RUL)航空機エンジンの予測モデルを開発することである。
本稿では,NASAのC-MAPSS(Commercial Modular Aero-Propulsion System Simulation System)データについて概説する。
C-MAPSSは、古典的および深層学習手法でRUL予測に対処する、文献における多くの既存の研究を含む、よく研究されたデータセットである。
論文 参考訳（メタデータ） (2024-06-21T19:55:34Z) - Explaining the Machine Learning Solution of the Ising Model [0.0]
この研究は、統計物理学における機械学習(ML)研究の主要なターゲットである強磁性イジングモデルに対してどのように達成できるかを示す。
隠れた層を持たないニューラルネットワーク(NN)を使用し(最も単純な)、ハミルトニアンの対称性によって情報を伝達することにより、教師付き学習ソリューションを見つけるための戦略を説明する。
これらの結果は、物理インフォームドされた説明可能な一般化されたフレームワークへの道を開き、モデルのパラメータから物理法則と原理を抽出することができる。
論文 参考訳（メタデータ） (2024-02-18T20:47:33Z) - 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) - Large-scale gradient-based training of Mixtures of Factor Analyzers [67.21722742907981]
本稿では,勾配降下による高次元学習を効果的に行うための理論解析と新しい手法の両立に寄与する。
MFAトレーニングと推論/サンプリングは,学習終了後の行列逆変換を必要としない精度行列に基づいて行うことができることを示す。
理論解析と行列の他に,SVHNやMNISTなどの画像データセットにMFAを適用し,サンプル生成と外乱検出を行う能力を示す。
論文 参考訳（メタデータ） (2023-08-26T06:12:33Z) - 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) - Physics and Chemistry from Parsimonious Representations: Image Analysis
via Invariant Variational Autoencoders [0.0]
変分オートエンコーダ(VAE)は教師なしデータ解析の強力なパラダイムとして登場している。
この記事では、VAEの背景にある基本的な原則と直観を概説する。
論文 参考訳（メタデータ） (2023-03-30T03:16:27Z) - 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) - Local manifold learning and its link to domain-based physics knowledge [53.15471241298841]
多くの反応系では、熱化学状態空間は低次元多様体(LDM)に近く進化すると仮定される。
局所的データクラスタ(ローカルPCA)に適用されたPCAは,熱化学状態空間の固有パラメータ化を検出することができることを示す。
論文 参考訳（メタデータ） (2022-07-01T09:06:25Z) - 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) - 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) - Machine Learning approach to muon spectroscopy analysis [0.0]
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。
論文 参考訳（メタデータ） (2020-10-09T18:01:11Z)
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。