論文の概要: Log-Gaussian processes for AI-assisted TAS experiments
- arxiv url: http://arxiv.org/abs/2209.00980v1
- Date: Fri, 2 Sep 2022 12:20:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-05 12:56:20.011757
- Title: Log-Gaussian processes for AI-assisted TAS experiments
- Title(参考訳): AI支援TAS実験のためのログガウス過程
- Authors: Mario Teixeira Parente, Georg Brandl, Christian Franz, Uwe Stuhr,
Marina Ganeva, Astrid Schneidewind
- Abstract要約: 3軸分光器(TAS)における中性子散乱実験は、その運動量(Q)とエネルギー(E)空間の強度分布を測定することにより、試料中の磁気および格子励起を研究する。
しかし、TAS実験における高需要とビームタイムの限られた利用は、その効率を改善するか、実験者の時間をうまく活用できるかという自然な疑問を提起する。
能動学習は有望な汎用機械学習アプローチであり、人間の干渉なしに信号の情報領域を自動で検出し、不要な測定を避け、実験をスピードアップすることができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To understand the origins of materials properties, neutron scattering
experiments at three-axes spectrometers (TAS) investigate magnetic and lattice
excitations in a sample by measuring intensity distributions in its momentum
(Q) and energy (E) space. The high demand and limited availability of beam time
for TAS experiments however raise the natural question whether we can improve
their efficiency or make better use of the experimenter's time. In fact, using
TAS, there are a number of scientific questions that require searching for
signals of interest in a particular region of Q-E space, but when done
manually, it is time consuming and inefficient since the measurement points may
be placed in uninformative regions such as the background. Active learning is a
promising general machine learning approach that allows to iteratively detect
informative regions of signal autonomously, i.e., without human interference,
thus avoiding unnecessary measurements and speeding up the experiment. In
addition, the autonomous mode allows experimenters to focus on other relevant
tasks in the meantime. The approach that we describe in this article exploits
log-Gaussian processes which, due to the log transformation, have the largest
approximation uncertainties in regions of signal. Maximizing uncertainty as an
acquisition function hence directly yields locations for informative
measurements. We demonstrate the benefits of our approach on outcomes of a real
neutron experiment at the thermal TAS EIGER (PSI) as well as on results of a
benchmark in a synthetic setting including numerous different excitations.
- Abstract(参考訳): 物質特性の起源を理解するため、3軸分光器(TAS)での中性子散乱実験は、その運動量(Q)とエネルギー(E)空間の強度分布を測定して試料中の磁気および格子励起を調べた。
しかし、TAS実験における高需要とビームタイムの限られた利用は、その効率を改善するか、実験者の時間をうまく活用できるかという自然問題を引き起こす。
実際、TASを使用すると、Q-E空間の特定の領域における興味ある信号の探索を必要とする科学的な疑問が多数存在するが、手作業で行うと、測定ポイントが背景のような非形式的な領域に置かれるため、時間がかかり非効率である。
アクティブ・ラーニング(英: Active Learning)は、人間の干渉なしに信号の情報領域を反復的に検出し、不必要な測定を回避し、実験を高速化する、有望な汎用機械学習手法である。
さらに、自律モードにより、実験者は他の関連するタスクに集中することができる。
本論文で記述するアプローチは、ログ変換により信号領域における最大の近似不確実性を持つログガウシアン過程を利用する。
取得関数としての不確実性を最大化すると、情報測定のための位置が直接得られる。
熱TAS EIGER(PSI)における実中性子実験の結果に対するアプローチの利点と,多数の異なる励起を含む合成環境でのベンチマークの結果について述べる。
関連論文リスト
- 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) - GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。
GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。
我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
論文 参考訳(メタデータ) (2023-02-01T17:29:43Z) - A Machine Learning approach for correcting radial velocities using
physical observables [0.0]
シミュレーションと実データを用いて、恒星の活動を自由なドップラーで測定するディープニューラルネットワーク手法の能力について検討する。
RV非依存的アプローチは、既知の物理的効果から急激なドップラー変動を大幅に低減できることを示す。
観測された変動率と補正の一致をよく観察するが,ノイズ低減はシミュレーションほど良くないことがわかった。
論文 参考訳(メタデータ) (2023-01-30T13:25:00Z) - Digital noise spectroscopy with a quantum sensor [57.53000001488777]
本稿では,ノイズプロセスの自己相関をサンプリングし,再構成するための量子センシングプロトコルを実験的に導入し,実証する。
ウォルシュノイズ分光法はスピンフリップパルスの単純な配列を利用してディジタルフィルタの完全基底を生成する。
ダイヤモンド中の単一窒素空孔中心の電子スピン上での核スピン浴により生じる有効磁場の自己相関関数を実験的に再構成した。
論文 参考訳(メタデータ) (2022-12-19T02:19:35Z) - Spectroscopic data de-noising via training-set-free deep learning method [0.0]
トレーニングセットを必要とせずに固有スペクトル情報を抽出するデノイズ化手法を開発した。
本手法ではスペクトル自体の自己相関情報を活用することができる。
固有エネルギーバンドの特徴を保存し、さらなる分析と処理を容易にする。
論文 参考訳(メタデータ) (2022-10-19T12:04:35Z) - Provable RL with Exogenous Distractors via Multistep Inverse Dynamics [85.52408288789164]
実世界の強化学習(RL)の応用は、メガピクセルカメラから生成されたような高次元の観察にエージェントが対処する必要がある。
従来の研究は表現学習でこのような問題に対処しており、エージェントは生の観察から内因性、潜伏状態の情報を確実に抽出することができる。
しかし、このような手法は観測において時間的に相関するノイズの存在下では失敗する可能性がある。
論文 参考訳(メタデータ) (2021-10-17T15:21:27Z) - Visualizing spinon Fermi surfaces with time-dependent spectroscopy [62.997667081978825]
固体系において確立されたツールである時間依存性光電子分光法を低温原子量子シミュレーターに応用することを提案する。
1次元の$t-J$モデルの正確な対角化シミュレーションで、スピノンが非占有状態の効率的なバンド構造に出現し始めることを示す。
ポンプパルス後のスペクトル関数の依存性はスピノン間の集団的相互作用を明らかにする。
論文 参考訳(メタデータ) (2021-05-27T18:00:02Z) - Neural network quantum state tomography in a two-qubit experiment [52.77024349608834]
機械学習にインスパイアされた変分法は、量子シミュレータのスケーラブルな状態キャラクタリゼーションへの有望な経路を提供する。
本研究では,2ビットの絡み合った状態を生成する実験から得られた測定データに適用することにより,いくつかの手法をベンチマークし比較する。
実験的な不完全性やノイズの存在下では、変動多様体を物理状態に収束させることで、再構成された状態の質が大幅に向上することがわかった。
論文 参考訳(メタデータ) (2020-07-31T17:25:12Z) - Heuristic machinery for thermodynamic studies of SU(N) fermions with
neural networks [1.1910997817688513]
機械学習分析を用いて機械を導入する。
我々は、SU($N$)スピン対称性内で相互作用する超低温フェルミオンの密度プロファイルにおける熱力学的研究の導出に機械を用いる。
我々の機械学習フレームワークは、SU($N$) フェルミ液体の理論的記述を検証できる可能性を示している。
論文 参考訳(メタデータ) (2020-06-25T02:31:55Z)
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。