論文の概要: Tracking perovskite crystallization via deep learning-based feature
detection on 2D X-ray scattering data
- arxiv url: http://arxiv.org/abs/2202.10983v1
- Date: Tue, 22 Feb 2022 15:39:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-23 18:20:12.103055
- Title: Tracking perovskite crystallization via deep learning-based feature
detection on 2D X-ray scattering data
- Title（参考訳）: 2次元X線散乱データを用いた深層学習によるペロブスカイト結晶化の追跡
- Authors: Vladimir Starostin, Valentin Munteanu, Alessandro Greco, Ekaterina
Kneschaurek, Alina Pleli, Florian Bertram, Alexander Gerlach, Alexander
Hinderhofer, Frank Schreiber
- Abstract要約: 本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。
有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
- 参考スコア（独自算出の注目度）: 137.47124933818066
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding the processes of perovskite crystallization is essential for
improving the properties of organic solar cells. In situ real-time
grazing-incidence X-ray diffraction (GIXD) is a key technique for this task,
but it produces large amounts of data, frequently exceeding the capabilities of
traditional data processing methods. We propose an automated pipeline for the
analysis of GIXD images, based on the Faster R-CNN deep learning architecture
for object detection, modified to conform to the specifics of the scattering
data. The model exhibits high accuracy in detecting diffraction features on
noisy patterns with various experimental artifacts. We demonstrate our method
on real-time tracking of organic-inorganic perovskite structure crystallization
and test it on two applications: 1. the automated phase identification and
unit-cell determination of two coexisting phases of Ruddlesden-Popper 2D
perovskites, and 2. the fast tracking of MAPbI$_3$ perovskite formation. By
design, our approach is equally suitable for other crystalline thin-film
materials.
- Abstract（参考訳）: ペロブスカイト結晶化の過程を理解することは、有機太陽電池の特性を改善するのに不可欠である。
In situ real-time grazing-incidence X-ray diffraction (GIXD)は、このタスクの鍵となる技法であるが、従来のデータ処理手法よりも頻繁に大量のデータを生成する。
本稿では,オブジェクト検出のための高速なr-cnnディープラーニングアーキテクチャに基づくgixd画像解析のための自動パイプラインを提案する。
このモデルは, 各種実験器具を用いた雑音パターンの回折特性の高精度検出を行う。
有機-無機ペロブスカイト結晶のリアルタイム追跡法を実証し, 2つの応用について検証した。
1 ラドルスデン-ポッパー2Dペロブスカイトの2つの共存相の自動位相同定と単位セル決定
2. MAPbI$_3$ ペロブスカイト生成の高速追跡。
設計上,我々のアプローチは他の結晶性薄膜材料にも等しく適している。
関連論文リスト
- Probabilistic Phase Labeling and Lattice Refinement for Autonomous
Material Research [20.78180998995325]
確率的XRD位相ラベリングのための効率的なアルゴリズムであるCrystalShiftを提案する。
我々は、CrystalShiftが頑健な確率を提供し、合成および実験データセットにおける既存の手法より優れていることを実証した。
効率的な位相マッピングに加えて、CrystalShiftは材料の構造パラメータに関する定量的な洞察を提供する。
論文 参考訳（メタデータ） (2023-08-15T17:38:38Z) - 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) - Neural networks trained on synthetically generated crystals can extract
structural information from ICSD powder X-ray diffractograms [0.6906005491572401]
機械学習技術は粉末X線回折画像から構造情報を抽出するのに成功している。
本稿では,各空間群の対称性演算を用いて,ランダムな座標で合成結晶を生成する方法を提案する。
我々は,1時間に数百万のオンザフライ生成された合成ディフラクトグラムに対して,Deep ResNetライクなモデルのオンライントレーニングを実演する。
論文 参考訳（メタデータ） (2023-03-21T09:37:29Z) - Exploring Supervised Machine Learning for Multi-Phase Identification and
Quantification from Powder X-Ray Diffraction Spectra [1.0660480034605242]
粉体X線回折分析は材料特性評価法の重要な構成要素である。
深層学習は、X線スペクトルから結晶学パラメータと特徴を予測するための主要な焦点となっている。
ここでは,多ラベル結晶相同定のための深層学習の代わりに,従来の教師付き学習アルゴリズムに関心がある。
論文 参考訳（メタデータ） (2022-11-16T00:36:13Z) - Artifact Identification in X-ray Diffraction Data using Machine Learning
Methods [0.0]
In situ synchrotron High-Eergy X-ray Powder diffraction (XRD) 法は, 材料結晶構造を解析するために, 研究者によって高度に活用されている。
物質の原子構造は、その回折パターンと、リートベルドの微細化のような詳細な分析によって同定することができる。
本稿では,XRD画像における単結晶回折点の高速かつ信頼性の高い同定と分離のための機械学習手法について検討する。
論文 参考訳（メタデータ） (2022-07-29T17:37:10Z) - Disentangling multiple scattering with deep learning: application to
strain mapping from electron diffraction patterns [48.53244254413104]
我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。
結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。
シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
論文 参考訳（メタデータ） (2022-02-01T03:53:39Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳（メタデータ） (2021-05-18T10:15:17Z) - SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural
Networks [81.64530401885476]
本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。
具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。
我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
論文 参考訳（メタデータ） (2020-10-19T09:23:39Z) - Unlimited Resolution Image Generation with R2D2-GANs [69.90258455164513]
本稿では,任意の解像度の高品質な画像を生成するための新しいシミュレーション手法を提案する。
この方法では、フル長のミッション中に収集したソナースキャンと同等の大きさのソナースキャンを合成することができる。
生成されたデータは、連続的で、現実的に見え、また、取得の実際の速度の少なくとも2倍の速さで生成される。
論文 参考訳（メタデータ） (2020-03-02T17:49:32Z)
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。