論文の概要: Auto-Encoder Neural Network Incorporating X-Ray Fluorescence Fundamental
Parameters with Machine Learning
- arxiv url: http://arxiv.org/abs/2210.12239v1
- Date: Fri, 21 Oct 2022 20:41:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 18:05:23.370260
- Title: Auto-Encoder Neural Network Incorporating X-Ray Fluorescence Fundamental
Parameters with Machine Learning
- Title(参考訳): 機械学習を用いたX線蛍光基本パラメータを組み込んだオートエンコーダニューラルネットワーク
- Authors: Matthew Dirks, David Poole
- Abstract要約: 限定ラベル付きデータから学習するニューラルネットワークモデルを開発した。
リチウム鉱山の岩盤データセット上でのモデルとベースラインモデルの評価を行った。
- 参考スコア(独自算出の注目度): 7.462336024223667
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We consider energy-dispersive X-ray Fluorescence (EDXRF) applications where
the fundamental parameters method is impractical such as when instrument
parameters are unavailable. For example, on a mining shovel or conveyor belt,
rocks are constantly moving (leading to varying angles of incidence and
distances) and there may be other factors not accounted for (like dust). Neural
networks do not require instrument and fundamental parameters but training
neural networks requires XRF spectra labelled with elemental composition, which
is often limited because of its expense. We develop a neural network model that
learns from limited labelled data and learns to invert a forward model. The
forward model uses transition energies and probabilities of all elements and
parameterized distributions to approximate other fundamental and instrument
parameters. We evaluate the model and baseline models on a rock dataset from a
lithium mine and identify which elements are appropriate for this method. This
model demonstrates the potential to calibrate a neural network in a noisy
environment where labelled data is limited.
- Abstract(参考訳): エネルギー分散型X線蛍光法(EDXRF)を,機器パラメータが利用できない場合など,基本パラメータ法が実用的でない場合に適用する。
例えば、採掘用シャベルやコンベアベルトでは、岩は常に移動しており(入射角度や距離の異なる角度に導かれる)、その他の要因(塵など)も考慮されていない可能性がある。
ニューラルネットワークは器用パラメータや基本パラメータを必要としないが、ニューラルネットワークのトレーニングには元素組成をラベル付けしたXRFスペクトルが必要である。
限定されたラベル付きデータから学習し、フォワードモデルを反転させるニューラルネットワークモデルを開発した。
フォワードモデルは、全ての要素とパラメータ化された分布の遷移エネルギーと確率を用いて、他の基本および計測パラメータを近似する。
リチウム鉱山の岩盤データセットにおけるモデルとベースラインモデルを評価し,本手法に適合する元素を同定する。
このモデルは、ラベル付きデータが制限されたノイズの多い環境でニューラルネットワークを校正する可能性を実証する。
関連論文リスト
- Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。
提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
論文 参考訳(メタデータ) (2023-11-30T13:50:21Z) - Substitutional Alloying Using Crystal Graph Neural Networks [0.0]
グラフニューラルネットワーク(GNN)は、結晶によって形成されるグラフの直接学習表現を可能にする。
CGNNを用いてDFTレベルの精度で結晶特性を予測し、原子(ノード/頂点)、結合(エッジ)、大域状態の属性を符号化したグラフを通して予測する。
我々はDFT検証を行い、生成エネルギーと構造特性の予測精度を評価する。
論文 参考訳(メタデータ) (2023-06-19T08:18:17Z) - Sionna RT: Differentiable Ray Tracing for Radio Propagation Modeling [65.17711407805756]
Sionnaは、リンクレベルのシミュレーションをベースとしたGPUアクセラレーションのオープンソースライブラリである。
リリース v0.14 以降、電波伝搬のシミュレーションのために微分可能なレイトレーサ (RT) を統合している。
論文 参考訳(メタデータ) (2023-03-20T13:40:11Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳(メタデータ) (2022-09-26T17:59:58Z) - Hyperparameter Importance of Quantum Neural Networks Across Small
Datasets [1.1470070927586014]
量子ニューラルネットワークは、ニューラルネットワークと同じような役割を果たす。
機械学習に適した回路アーキテクチャについてはほとんど知られていない。
本研究は量子機械学習モデルを研究するための新しい手法を紹介する。
論文 参考訳(メタデータ) (2022-06-20T20:26:20Z) - The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。
これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。
このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。
我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
論文 参考訳(メタデータ) (2022-02-27T23:12:43Z) - Uncertainty quantification in a mechanical submodel driven by a
Wasserstein-GAN [0.0]
本稿では,機械学習やデータ駆動手法における非線形手法の利用が重要であることを示す。
このような応用にはGAN(Generative Adversarial Networks)が適しており、Wasserstein-GANには勾配ペナルティのバリエーションがある。
論文 参考訳(メタデータ) (2021-10-26T13:18:06Z) - Semi-supervised on-device neural network adaptation for remote and
portable laser-induced breakdown spectroscopy [0.22843885788439797]
LIBS用軽量多層パーセプトロン(MLP)モデルを導入し、新しい入力データのラベルを必要とせずにオンデバイスで適応できます。
データストリーミング中の平均精度は89.3%で、適応をサポートしないモデルに比べて最大2.1%高い精度を示している。
論文 参考訳(メタデータ) (2021-04-08T00:20:36Z) - Transfer Learning with Convolutional Networks for Atmospheric Parameter
Retrieval [14.131127382785973]
MetOp衛星シリーズに搭載された赤外線音波干渉計(IASI)は、数値気象予測(NWP)に重要な測定値を提供する
IASIが提供する生データから正確な大気パラメータを取得することは大きな課題であるが、NWPモデルでデータを使用するには必要である。
本研究では,iasiデータから抽出した特徴を,低い高度で異なる物理変数を予測するように設計された別の統計手法への入力として使用できることを示す。
論文 参考訳(メタデータ) (2020-12-09T09:28:42Z) - Flexible Transmitter Network [84.90891046882213]
現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。
本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。
本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
論文 参考訳(メタデータ) (2020-04-08T06:55:12Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳(メタデータ) (2019-10-12T22:07:15Z)
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。