論文の概要: Towards Augmented Microscopy with Reinforcement Learning-Enhanced Workflows

• arxiv url: http://arxiv.org/abs/2208.02865v1
• Date: Thu, 4 Aug 2022 20:02:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-08 13:09:42.334132
• Title: Towards Augmented Microscopy with Reinforcement Learning-Enhanced Workflows
• Title（参考訳）: 強化学習型ワークフローによる顕微鏡化に向けて
• Authors: Michael Xu, Abinash Kumar, and James M. LeBeau
• Abstract要約: 我々は,電子ビームを事前の知識なく自律的に整列させるネットワークをテスト・開発するための仮想環境を開発する。 我々は、顕微鏡上で成功したモデルをデプロイし、そのアプローチを検証し、適切な仮想環境を設計する価値を実証する。 全体としては、RLを利用することで、広範囲なアルゴリズム設計を必要とせずに、顕微鏡操作を自動化できることが示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Here, we report a case study implementation of reinforcement learning (RL) to automate operations in the scanning transmission electron microscopy (STEM) workflow. To do so, we design a virtual, prototypical RL environment to test and develop a network to autonomously align the electron beam without prior knowledge. Using this simulator, we evaluate the impact of environment design and algorithm hyperparameters on alignment accuracy and learning convergence, showing robust convergence across a wide hyperparameter space. Additionally, we deploy a successful model on the microscope to validate the approach and demonstrate the value of designing appropriate virtual environments. Consistent with simulated results, the on-microscope RL model achieves convergence to the goal alignment after minimal training. Overall, the results highlight that by taking advantage of RL, microscope operations can be automated without the need for extensive algorithm design, taking another step towards augmenting electron microscopy with machine learning methods.
• Abstract（参考訳）: 本稿では,走査型透過電子顕微鏡(STEM)ワークフローにおける動作を自動化するための強化学習(RL)の実装事例について報告する。 そこで我々は、電子ビームを事前の知識なく自律的に整列させるネットワークをテスト・開発するための仮想プロトタイプRL環境を設計する。 このシミュレータを用いて,環境設計とアルゴリズムハイパーパラメータがアライメント精度と学習収束に与える影響を評価し,広い超パラメータ空間におけるロバスト収束を示す。 さらに,そのアプローチを検証し,適切な仮想環境を設計する価値を示すために,顕微鏡上で成功したモデルを展開する。 シミュレーション結果と一致して,オンスコープrlモデルは最小トレーニング後に目標アライメントへの収束を実現する。 総じて、rlを活用することで、広範囲なアルゴリズム設計を必要とせずに顕微鏡操作を自動化し、電子顕微鏡を機械学習手法で強化するための新たな一歩を踏み出すことができることを強調する。

関連論文リスト

• Self-Supervised Learning with Generative Adversarial Networks for Electron Microscopy [0.0]
  本稿では,自己教師付き事前学習が,下流タスクの高精度な微調整をいかに促進するかを示す。 我々は、電子顕微鏡の文脈において、下流の様々なタスクにまたがる自己教師型事前学習の汎用性を実証する。
  論文  参考訳（メタデータ） (2024-02-28T12:25:01Z)
• 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)
• 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)
• Leveraging generative adversarial networks to create realistic scanning transmission electron microscopy images [2.5954872177280346]
  機械学習は、自律的なデータ収集と処理を通じて材料研究に革命をもたらす可能性がある。 我々は,実空間周波数情報を用いたシミュレーションデータを増大させるために,相互空間判別器を備えたサイクル生成逆数ネットワーク(CycleGAN)を用いる。 完全な畳み込みネットワーク(FCN)をトレーニングして、450万個の原子データセット内の単一原子欠陥を同定することで、我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2023-01-18T19:19:27Z)
• SAM-RL: Sensing-Aware Model-Based Reinforcement Learning via Differentiable Physics-Based Simulation and Rendering [49.78647219715034]
  本稿では,SAM-RL と呼ばれる感性認識モデルに基づく強化学習システムを提案する。 SAM-RLは、センサーを意識した学習パイプラインによって、ロボットがタスクプロセスを監視するための情報的視点を選択することを可能にする。 我々は,ロボット組立,ツール操作,変形可能なオブジェクト操作という3つの操作タスクを達成するための実世界の実験に,我々のフレームワークを適用した。
  論文  参考訳（メタデータ） (2022-10-27T05:30:43Z)
• 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)
• Multitask Adaptation by Retrospective Exploration with Learned World Models [77.34726150561087]
  本稿では,タスク非依存ストレージから取得したMBRLエージェントのトレーニングサンプルを提供するRAMaというメタ学習型アドレッシングモデルを提案する。 このモデルは、期待されるエージェントのパフォーマンスを最大化するために、ストレージから事前のタスクを解く有望な軌道を選択することで訓練される。
  論文  参考訳（メタデータ） (2021-10-25T20:02:57Z)
• 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)
• 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)
• Global Voxel Transformer Networks for Augmented Microscopy [54.730707387866076]
  本稿では,拡張顕微鏡のための高度な深層学習ツールであるグローバルボクセルトランスフォーマーネットワーク(GVTNets)を紹介する。 GVTNetはグローバルな情報収集が可能なグローバルなボクセル変換演算子(GVTO)上に構築されている。 提案手法を既存のデータセットに適用し,様々な環境下での3種類の拡張顕微鏡タスクについて検討する。
  論文  参考訳（メタデータ） (2020-08-05T20:11:15Z)

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。