論文の概要: Deep-learning-based prediction of nanoparticle phase transitions during
in situ transmission electron microscopy
- arxiv url: http://arxiv.org/abs/2205.11407v1
- Date: Mon, 23 May 2022 15:50:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-24 20:21:00.571356
- Title: Deep-learning-based prediction of nanoparticle phase transitions during
in situ transmission electron microscopy
- Title（参考訳）: 深層学習に基づく電子顕微鏡観察によるナノ粒子相転移の予測
- Authors: Wenkai Fu, Steven R. Spurgeon, Chongmin Wang, Yuyan Shao, Wei Wang,
Amra Peles
- Abstract要約: 我々は、過去のフレームのシーケンスの入力に基づいて、将来のビデオフレームのシーケンスを予測するために、ディープラーニングモデルを訓練する。
この能力は、動的反応条件下でのAuナノ粒子の粒径依存構造変化の洞察を与える。
新たな自動実験プラットフォームのための化学反応の次のステップを予測できるかもしれない。
- 参考スコア（独自算出の注目度）: 3.613625739845355
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We develop the machine learning capability to predict a time sequence of
in-situ transmission electron microscopy (TEM) video frames based on the
combined long-short-term-memory (LSTM) algorithm and the features
de-entanglement method. We train deep learning models to predict a sequence of
future video frames based on the input of a sequence of previous frames. This
unique capability provides insight into size dependent structural changes in Au
nanoparticles under dynamic reaction condition using in-situ environmental TEM
data, informing models of morphological evolution and catalytic properties. The
model performance and achieved accuracy of predictions are desirable based on,
for scientific data characteristic, based on limited size of training data
sets. The model convergence and values for the loss function mean square error
show dependence on the training strategy, and structural similarity measure
between predicted structure images and ground truth reaches the value of about
0.7. This computed structural similarity is smaller than values obtained when
the deep learning architecture is trained using much larger benchmark data
sets, it is sufficient to show the structural transition of Au nanoparticles.
While performance parameters of our model applied to scientific data fall short
of those achieved for the non-scientific big data sets, we demonstrate model
ability to predict the evolution, even including the particle structural phase
transformation, of Au nano particles as catalyst for CO oxidation under the
chemical reaction conditions. Using this approach, it may be possible to
anticipate the next steps of a chemical reaction for emerging automated
experimentation platforms.
- Abstract（参考訳）: 本研究では,長期記憶(LSTM)アルゴリズムと特徴非絡合法を併用して,その場透過電子顕微鏡(TEM)ビデオフレームの時系列を予測できる機械学習機能を開発した。
我々は、過去のフレームのシーケンスの入力に基づいて、将来のビデオフレームのシーケンスを予測するためにディープラーニングモデルを訓練する。
この特徴は、環境TEMデータを用いた動的反応条件下でのAuナノ粒子のサイズ依存構造変化の洞察を与え、形態的進化と触媒特性のモデルを示す。
モデルの性能と予測の精度は,訓練データセットの限られたサイズに基づいて,科学的データ特性に基づいて望ましい。
損失関数のモデル収束と値の平均二乗誤差はトレーニング戦略に依存しており、予測された構造像と基底真理の構造的類似度はおよそ0.7に達する。
この計算された構造類似性は、より大きなベンチマークデータセットを用いてディープラーニングアーキテクチャをトレーニングした場合の値よりも小さく、auナノ粒子の構造遷移を示すのに十分である。
科学データに適用したモデルの性能パラメータは,非科学的なビッグデータで達成されたモデルに及ばないが,反応条件下でのco酸化触媒としてのauナノ微粒子の粒子構造相変換を含む,進化を予測できるモデル能力を示す。
このアプローチを用いることで、新しい自動実験プラットフォームのための化学反応の次のステップを予測できるかもしれない。
関連論文リスト
- Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。
この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
論文 参考訳（メタデータ） (2024-11-03T01:56:15Z) - Learning to Simulate Aerosol Dynamics with Graph Neural Networks [3.3827383663816364]
大気エアロゾルが気候、天候、大気品質に与える影響は、個々の粒子の特性に依存する。
粒子分解モデルは、粒子物理化学的性質においてこの多様性を捉えることができる唯一のモデルであり、これらのモデルは計算的に高価である。
本稿では,このモデルを用いて粒子分解モデルPartMC-MOSAICのサロゲートを学習する。
結果は、フレームワークが化学力学を正確に学習し、異なるシナリオをまたいで一般化し、効率的なトレーニングと予測時間を達成する能力を示す。
論文 参考訳（メタデータ） (2024-09-20T19:21:43Z) - Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。
グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。
我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
論文 参考訳（メタデータ） (2024-07-04T16:56:59Z) - A Three-regime Model of Network Pruning [47.92525418773768]
我々は、ニューラルネットワーク(NN)トレーニングのハイパーパラメータが刈り取り性能に与える影響をモデル化するために、温度のようなパラメータと負荷のようなパラメータを使用します。
プレプルーニングモデルにおける負荷様パラメータの値に依存すると、プレプルーニングモデルにおける温度様パラメータの値が増加するか、その後のプルーニング性能が向上または損なわれる可能性がある。
本モデルでは, 高温のダイコトモス効果は, ポストプランニングモデルにおいて, 異なるタイプの大域構造間の遷移と関係していることが明らかとなった。
論文 参考訳（メタデータ） (2023-05-28T08:09:25Z) - Interpretable Joint Event-Particle Reconstruction for Neutrino Physics
at NOvA with Sparse CNNs and Transformers [124.29621071934693]
本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。
TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。
このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
論文 参考訳（メタデータ） (2023-03-10T20:36:23Z) - Dynamic Molecular Graph-based Implementation for Biophysical Properties
Prediction [9.112532782451233]
本稿では,タンパク質-リガンド相互作用の動的特徴を特徴付けるため,GNNを用いたトランスフォーマーモデルに基づく新しいアプローチを提案する。
我々のメッセージパッシングトランスフォーマーは、物理シミュレーションに基づく分子動力学データに基づいて事前訓練を行い、座標構成を学習し、結合確率と親和性予測を行う。
論文 参考訳（メタデータ） (2022-12-20T04:21:19Z) - Generative structured normalizing flow Gaussian processes applied to
spectroscopic data [4.0773490083614075]
物理科学では、限られた訓練データは将来の観測データを適切に特徴づけることができない。
特に外挿を依頼される場合、モデルが不確実性を適切に示すことは重要である。
火星探査機キュリオシティに搭載されたChemCam装置のレーザ誘起分解分光データに関する方法論を実証した。
論文 参考訳（メタデータ） (2022-12-14T23:57:46Z) - Neural network enhanced measurement efficiency for molecular
groundstates [63.36515347329037]
いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。
ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
論文 参考訳（メタデータ） (2022-06-30T17:45:05Z) - A Physics-Guided Neural Operator Learning Approach to Model Biological
Tissues from Digital Image Correlation Measurements [3.65211252467094]
本稿では, 生体組織モデリングにおけるデータ駆動型相関について述べる。これは, 未知の負荷シナリオ下でのデジタル画像相関(DIC)測定に基づいて変位場を予測することを目的としている。
ブタ三尖弁リーフレット上の多軸延伸プロトコルのDIC変位追跡測定から材料データベースを構築した。
材料応答は、負荷から結果の変位場への解演算子としてモデル化され、材料特性はデータから暗黙的に学習され、自然にネットワークパラメータに埋め込まれる。
論文 参考訳（メタデータ） (2022-04-01T04:56:41Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Embedded-physics machine learning for coarse-graining and collective
variable discovery without data [3.222802562733787]
基礎となる物理を一貫して組み込む新しい学習フレームワークを提案する。
原子間力場の形で利用可能な物理学を完全に組み込んだ逆クルバック・リーブラー分岐に基づく新しい目的を提案する。
本研究は,バイモーダルポテンシャルエネルギー関数とアラニンジペプチドに対するCVの予測能力および物理的意義の観点からアルゴリズムの進歩を実証する。
論文 参考訳（メタデータ） (2020-02-24T10:28:41Z)
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。