論文の概要: Bayesian Active Learning for Scanning Probe Microscopy: from Gaussian
Processes to Hypothesis Learning
- arxiv url: http://arxiv.org/abs/2205.15458v1
- Date: Mon, 30 May 2022 23:01:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-02 06:12:17.526568
- Title: Bayesian Active Learning for Scanning Probe Microscopy: from Gaussian
Processes to Hypothesis Learning
- Title（参考訳）: 走査型プローブ顕微鏡のためのベイズ能動学習:ガウス過程から仮説学習へ
- Authors: Maxim Ziatdinov, Yongtao Liu, Kyle Kelley, Rama Vasudevan, and Sergei
V. Kalinin
- Abstract要約: ベイズ能動学習の基本原理と走査型プローブ顕微鏡(SPM)への応用について述べる。
これらのフレームワークは、先行データの使用、スペクトルデータに符号化された特定の機能の発見、実験中に現れる物理法則の探索を可能にする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent progress in machine learning methods, and the emerging availability of
programmable interfaces for scanning probe microscopes (SPMs), have propelled
automated and autonomous microscopies to the forefront of attention of the
scientific community. However, enabling automated microscopy requires the
development of task-specific machine learning methods, understanding the
interplay between physics discovery and machine learning, and fully defined
discovery workflows. This, in turn, requires balancing the physical intuition
and prior knowledge of the domain scientist with rewards that define
experimental goals and machine learning algorithms that can translate these to
specific experimental protocols. Here, we discuss the basic principles of
Bayesian active learning and illustrate its applications for SPM. We progress
from the Gaussian Process as a simple data-driven method and Bayesian inference
for physical models as an extension of physics-based functional fits to more
complex deep kernel learning methods, structured Gaussian Processes, and
hypothesis learning. These frameworks allow for the use of prior data, the
discovery of specific functionalities as encoded in spectral data, and
exploration of physical laws manifesting during the experiment. The discussed
framework can be universally applied to all techniques combining imaging and
spectroscopy, SPM methods, nanoindentation, electron microscopy and
spectroscopy, and chemical imaging methods, and can be particularly impactful
for destructive or irreversible measurements.
- Abstract（参考訳）: 近年の機械学習手法の進歩と、走査型プローブ顕微鏡(SPM)のためのプログラマブルインタフェースの登場により、科学界の注目の的となっているのは、自動顕微鏡と自律顕微鏡である。
しかし、自動顕微鏡の実現には、タスク固有の機械学習手法の開発、物理発見と機械学習の相互作用の理解、完全に定義された発見ワークフローが必要である。
これにより、実験目標を定義する報酬と、特定の実験プロトコルに変換可能な機械学習アルゴリズムとの、ドメイン科学者の物理的直観と事前知識のバランスが求められる。
本稿では,ベイズアクティブラーニングの基本原理を考察し,そのspmへの応用について述べる。
我々は、単純なデータ駆動法としてガウス過程から進歩し、物理モデルに対するベイジアン推論は、より複雑な深層学習法、構造化ガウス過程、仮説学習に適合する。
これらのフレームワークは、事前データの使用、スペクトルデータにエンコードされる特定の機能の発見、実験中に現れる物理法則の探索を可能にする。
議論された枠組みは、イメージングと分光法、SPM法、ナノインデンテーション、電子顕微鏡と分光法、化学イメージング法を組み合わせた全ての技術に普遍的に適用でき、特に破壊的あるいは不可逆的な測定に影響を及ぼす。
関連論文リスト
- Human-in-the-loop: The future of Machine Learning in Automated Electron
Microscopy [0.6760163180787716]
MLに基づくアクティブな実験を設計する際の考慮事項について論じる。
今後数年間の計画としては、人力による自動実験が考えられる。
論文 参考訳（メタデータ） (2023-10-08T05:26:32Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - Deep Learning for Automated Experimentation in Scanning Transmission
Electron Microscopy [0.0]
機械学習(ML)は、()透過電子顕微鏡、走査(S)TEM、イメージング、分光法において、取得後のデータ解析に欠かせないものとなっている。
本稿では, 逐次データ解析とアウト・オブ・ディストリビューションドリフト効果を含む, アクティブMLへの移行に伴う課題について論じる。
これらの考察は、次世代実験におけるMLの運用を総括的に示すものである。
論文 参考訳（メタデータ） (2023-04-04T18:01:56Z) - Discovery of structure-property relations for molecules via
hypothesis-driven active learning over the chemical space [0.0]
本稿では,仮説学習に基づく化学空間上の能動的学習のための新しいアプローチを提案する。
我々は,データサブセットの小さな部分集合に基づいて,関心の構造と機能の関係性に関する仮説を構築した。
このアプローチでは、SISSOやアクティブラーニングといったシンボリックレグレッションメソッドの要素をひとつのフレームワークに統合する。
論文 参考訳（メタデータ） (2023-01-06T14:22:43Z) - Retrieving space-dependent polarization transformations via near-optimal
quantum process tomography [55.41644538483948]
トモグラフィー問題に対する遺伝的および機械学習アプローチの適用について検討する。
ニューラルネットワークベースのスキームは、リアルタイムにキャラクタリゼーションを必要とするアプリケーションにおいて、重要なスピードアップを提供する。
これらの結果は、より一般的な量子プロセスにおけるトモグラフィーアプローチの最適化の基礎となることを期待する。
論文 参考訳（メタデータ） (2022-10-27T11:37:14Z) - Microscopy is All You Need [0.0]
我々は、機械学習手法を開発するための有望な経路は、ドメイン固有のデプロイ可能なアルゴリズムの経路であると主張している。
これは基礎的な物理研究の恩恵を受け、ロボット工学や製造といったより複雑な自律システムのテストベッドとして機能する。
論文 参考訳（メタデータ） (2022-10-12T18:41:40Z) - Ultrafast Focus Detection for Automated Microscopy [0.0]
連続的に収集した電子顕微鏡画像に対する高速な焦点検出アルゴリズムを提案する。
本手法は, 従来のコンピュータビジョン技術に適応し, 様々な微細な組織学的特徴を検出する手法である。
アウト・オブ・フォーカス条件をほぼリアルタイムに検出するテストが実施されている。
論文 参考訳（メタデータ） (2021-08-26T22:24:41Z) - 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) - Unsupervised machine learning of topological phase transitions from
experimental data [52.77024349608834]
超低温原子からの実験データに教師なし機械学習技術を適用する。
我々は、完全にバイアスのない方法で、ハルダンモデルの位相位相図を得る。
我々の研究は、複雑な多体系における新しいエキゾチック位相の教師なし検出のためのベンチマークを提供する。
論文 参考訳（メタデータ） (2021-01-14T16:38:21Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳（メタデータ） (2020-08-05T15:45:54Z)
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。