Fugu-MT 論文翻訳(概要): AI visualization in Nanoscale Microscopy

論文の概要: AI visualization in Nanoscale Microscopy

arxiv url: http://arxiv.org/abs/2201.00966v1
Date: Tue, 4 Jan 2022 04:04:50 GMT
ステータス: 処理完了
システム内更新日: 2022-01-05 21:06:57.841139
Title: AI visualization in Nanoscale Microscopy
Title（参考訳）: ナノスケール顕微鏡におけるAI可視化
Authors: Rajagopal A (1), Nirmala V (2), Andrew J (3), Arun Muthuraj Vedamanickam. ((1) Indian Institute of Technology Madras, (2) Queen Marys College, (3) Karunya Institute of Technology and Sciences. India)
Abstract要約: ディープラーニングニューラルネットワークによって学習されたナノスケールパターンを可視化するAIプラットフォームは、ナノテクノロジーのための新たなフロンティアを開くことができる。本稿では、ナノマテリアルのナノスケール形態の視覚的探索に、あらゆるナノサイエンス研究者がAIを利用できるようにするためのAIプラットフォームを提供する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Artificial Intelligence & Nanotechnology are promising areas for the future of humanity. While Deep Learning based Computer Vision has found applications in many fields from medicine to automotive, its application in nanotechnology can open doors for new scientific discoveries. Can we apply AI to explore objects that our eyes can't see such as nano scale sized objects? An AI platform to visualize nanoscale patterns learnt by a Deep Learning neural network can open new frontiers for nanotechnology. The objective of this paper is to develop a Deep Learning based visualization system on images of nanomaterials obtained by scanning electron microscope. This paper contributes an AI platform to enable any nanoscience researcher to use AI in visual exploration of nanoscale morphologies of nanomaterials. This AI is developed by a technique of visualizing intermediate activations of a Convolutional AutoEncoder. In this method, a nano scale specimen image is transformed into its feature representations by a Convolution Neural Network. The Convolutional AutoEncoder is trained on 100% SEM dataset, and then CNN visualization is applied. This AI generates various conceptual feature representations of the nanomaterial. While Deep Learning based image classification of SEM images are widely published in literature, there are not much publications that have visualized Deep neural networks of nanomaterials. There is a significant opportunity to gain insights from the learnings extracted by machine learning. This paper unlocks the potential of applying Deep Learning based Visualization on electron microscopy to offer AI extracted features and architectural patterns of various nanomaterials. This is a contribution in Explainable AI in nano scale objects. This paper contributes an open source AI with reproducible results at URL (https://sites.google.com/view/aifornanotechnology)
Abstract（参考訳）: 人工知能とナノテクノロジーは人類の未来に有望な分野である。ディープラーニングをベースとするComputer Visionは、医学から自動車まで、多くの分野の応用を見出しているが、ナノテクノロジーの応用は、新しい科学的発見の扉を開くことができる。ナノスケールサイズの物体など、目が見えない物体を探索するためにaiを応用できますか? ディープラーニングニューラルネットワークによって学習されるナノスケールパターンを視覚化するaiプラットフォームは、ナノテクノロジーの新しいフロンティアを開くことができる。本研究の目的は,走査型電子顕微鏡により得られたナノ材料の画像を用いた深層学習に基づく可視化システムの開発である。本稿では、ナノマテリアルのナノスケール形態の視覚的探索に、あらゆるナノサイエンス研究者がAIを利用できるようにするためのAIプラットフォームを提供する。このaiは畳み込みオートエンコーダの中間アクティベーションを可視化する技術によって開発された。この方法では、ナノスケールの検体画像が畳み込みニューラルネットワークによって特徴表現に変換される。 Convolutional AutoEncoderは100%SEMデータセットでトレーニングされ、CNNビジュアライゼーションが適用される。このAIはナノマテリアルの様々な概念的特徴表現を生成する。ディープラーニングに基づくSEM画像のイメージ分類は文献で広く公開されているが、ナノマテリアルのディープニューラルネットワークを視覚化した出版物はあまりない。機械学習によって抽出された学習から洞察を得る大きな機会がある。本稿では,Deep Learning based Visualization on Electron microscopyを応用し,様々なナノマテリアルのAI抽出特徴とアーキテクチャパターンを提供する。これはナノスケールオブジェクトにおける説明可能なAIへの貢献である。本稿では、URLで再現可能な結果を提供するオープンソースAI(https://sites.google.com/view/aifornanotechnology)を提案する。

関連論文リスト

Unveiling the Potential of AI for Nanomaterial Morphology Prediction [0.0]
本研究は、データ可用性制約におけるナノ粒子の形態を予測するAIの可能性について検討する。我々はまず,類似研究の2倍の大きさのマルチモーダルデータセットを作成した。
論文参考訳（メタデータ） (2024-05-31T19:16:07Z)
Virtual Reality for Understanding Artificial-Intelligence-driven Scientific Discovery with an Application in Quantum Optics [1.0858565995100633]
我々は、AI生成ソリューションの理解を深めるために、分析プロセスの一部を没入型バーチャルリアリティ環境に移行する方法を示す。我々は,抽象グラフの解釈可能な構成を見つけるためのVRの有用性を実証し,量子光学実験を表現する。
論文参考訳（メタデータ） (2024-02-20T17:48:01Z)
AI-Generated Images as Data Source: The Dawn of Synthetic Era [61.879821573066216]
生成AIは、現実世界の写真によく似た合成画像を作成する可能性を解き放った。本稿では、これらのAI生成画像を新しいデータソースとして活用するという革新的な概念を探求する。実際のデータとは対照的に、AI生成データには、未整合のアブリダンスやスケーラビリティなど、大きなメリットがある。
論文参考訳（メタデータ） (2023-10-03T06:55:19Z)
Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文参考訳（メタデータ） (2023-08-15T16:37:16Z)
Scientific Computing with Diffractive Optical Neural Networks [2.580765958706854]
我々は、科学計算のための全光再構成可能DONNシステムの展開を数値的および実験的に実証した。 DONNシステムで処理可能な画像に分類入力特徴を変換するための普遍的特徴工学手法を開発した。
論文参考訳（メタデータ） (2023-02-12T23:50:37Z)
Neuromorphic Artificial Intelligence Systems [58.1806704582023]
フォン・ノイマンアーキテクチャと古典的ニューラルネットワークに基づく現代のAIシステムは、脳と比較して多くの基本的な制限がある。この記事では、そのような制限と、それらが緩和される方法について論じる。これは、これらの制限が克服されている現在利用可能なニューロモーフィックAIプロジェクトの概要を示す。
論文参考訳（メタデータ） (2022-05-25T20:16:05Z)
Explainability Tools Enabling Deep Learning in Future In-Situ Real-Time Planetary Explorations [58.720142291102135]
ディープラーニング(DL)は、効果的な機械学習とコンピュータビジョン技術であることが証明されている。ディープニューラルネットワーク(DNN)アーキテクチャのほとんどは複雑すぎて'ブラックボックス'と見なされている。本稿では,各ニューロンの出力クラスへの属性を記述するために,積分勾配を用いた。 DNNのブラックボックスを開くための説明可能性ツールセット(ET)を提供するので、分類へのニューロンの個々の貢献をランク付けし視覚化することができる。
論文参考訳（メタデータ） (2022-01-15T07:10:00Z)
Darwin's Neural Network: AI-based Strategies for Rapid and Scalable Cell and Coronavirus Screening [10.775030345262676]
機械学習アルゴリズムは、顕微鏡およびナノスコープイメージングデータの解釈と分析を変換している。これらの進歩により、これまで計算が不可能と考えられていたリアルタイム実験を研究者が実行できるようになった。本稿では,コンピュータビジョンと機械認識の分野における適合性理論を応用し,多クラスインスタンスセグメンテーション深層学習の新しい枠組みを導入する。
論文参考訳（メタデータ） (2020-07-22T20:11:06Z)
Neuromorphic Processing and Sensing: Evolutionary Progression of AI to Spiking [0.0]
スパイキングニューラルネットワークアルゴリズムは、計算と電力要求の一部を利用して高度な人工知能を実装することを約束する。本稿では,スパイクに基づくニューロモルフィック技術の理論的研究について解説し,ハードウェアプロセッサ,ソフトウェアプラットフォーム,ニューロモルフィックセンシングデバイスの現状について概説する。プログレクションパスは、現在の機械学習スペシャリストがスキルセットを更新し、現在の世代のディープニューラルネットワークからSNNへの分類または予測モデルを作成するために舗装されている。
論文参考訳（メタデータ） (2020-07-10T20:54:42Z)
Dark, Beyond Deep: A Paradigm Shift to Cognitive AI with Humanlike Common Sense [142.53911271465344]
我々は、次世代のAIは、新しいタスクを解決するために、人間のような「暗黒」の常識を取り入れなければならないと論じている。我々は、人間のような常識を持つ認知AIの5つの中核領域として、機能、物理学、意図、因果性、実用性(FPICU)を識別する。
論文参考訳（メタデータ） (2020-04-20T04:07:28Z)
AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
論文参考訳（メタデータ） (2020-03-06T19:00:04Z)

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。