Fugu-MT 論文翻訳(概要): Generative structured normalizing flow Gaussian processes applied to spectroscopic data

論文の概要: Generative structured normalizing flow Gaussian processes applied to spectroscopic data

arxiv url: http://arxiv.org/abs/2212.07554v1
Date: Wed, 14 Dec 2022 23:57:46 GMT
ステータス: 処理完了
システム内更新日: 2022-12-16 17:53:34.540453
Title: Generative structured normalizing flow Gaussian processes applied to spectroscopic data
Title（参考訳）: 生成構造正規化流れガウス過程の分光データへの応用
Authors: Natalie Klein, Nishant Panda, Patrick Gasda, Diane Oyen
Abstract要約: 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。
参考スコア（独自算出の注目度）: 4.0773490083614075
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work, we propose a novel generative model for mapping inputs to structured, high-dimensional outputs using structured conditional normalizing flows and Gaussian process regression. The model is motivated by the need to characterize uncertainty in the input/output relationship when making inferences on new data. In particular, in the physical sciences, limited training data may not adequately characterize future observed data; it is critical that models adequately indicate uncertainty, particularly when they may be asked to extrapolate. In our proposed model, structured conditional normalizing flows provide parsimonious latent representations that relate to the inputs through a Gaussian process, providing exact likelihood calculations and uncertainty that naturally increases away from the training data inputs. We demonstrate the methodology on laser-induced breakdown spectroscopy data from the ChemCam instrument onboard the Mars rover Curiosity. ChemCam was designed to recover the chemical composition of rock and soil samples by measuring the spectral properties of plasma atomic emissions induced by a laser pulse. We show that our model can generate realistic spectra conditional on a given chemical composition and that we can use the model to perform uncertainty quantification of chemical compositions for new observed spectra. Based on our results, we anticipate that our proposed modeling approach may be useful in other scientific domains with high-dimensional, complex structure where it is important to quantify predictive uncertainty.
Abstract（参考訳）: 本研究では,入力を構造化条件正規化フローとガウス過程回帰を用いて構造化高次元出力にマッピングする新しい生成モデルを提案する。このモデルは、新しいデータで推論を行う際に入出力関係の不確実性を特徴付ける必要性に動機づけられている。特に、物理科学において、限られた訓練データは、将来の観測されたデータを適切に特徴付けるものではなく、モデルが不確かさを適切に示すことが重要である。提案モデルでは,構成条件正規化フローはガウス過程による入力と類似した潜在表現を提供し,学習データ入力から自然に増大する正確な精度計算と不確実性を提供する。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。 chemcamは、レーザーパルスによって誘導されるプラズマ原子放出のスペクトル特性を測定することにより、岩石と土壌の化学組成を回復するように設計された。本モデルは, 与えられた化学組成に基づいて実測的なスペクトル条件を生成できることを示すとともに, 化学組成の不確実性定量化を新規に行うことができることを示す。提案手法は,予測の不確かさの定量化が重要となる高次元,複雑な構造を持つ他の科学的領域において有用であると考えられた。

関連論文リスト

Balancing Molecular Information and Empirical Data in the Prediction of Physico-Chemical Properties [8.649679686652648]
本稿では,分子記述子と表現学習を組み合わせた一般的な手法を提案する。提案したハイブリッドモデルは,グラフニューラルネットワークを用いた化学構造情報を利用する。構造に基づく予測が信頼できない場合を自動的に検出し、表現学習に基づく予測によって修正する。
論文参考訳（メタデータ） (2024-06-12T10:51:00Z)
Enhanced sampling of robust molecular datasets with uncertainty-based collective variables [0.0]
化学関連データポイントの取得を導くために,不確実性を集合変数(CV)として活用する手法を提案する。このアプローチでは、1つのモデルからのガウス混合モデルに基づく不確実性測定を、偏りのある分子動力学シミュレーションのためのCVとして採用する。
論文参考訳（メタデータ） (2024-02-06T06:42:51Z)
Scalable Diffusion for Materials Generation [99.71001883652211]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。 UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。材料の生成モデルを評価するための追加指標を提案する。
論文参考訳（メタデータ） (2023-10-18T15:49:39Z)
Deep-learning-based prediction of nanoparticle phase transitions during in situ transmission electron microscopy [3.613625739845355]
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。
論文参考訳（メタデータ） (2022-05-23T15:50:24Z)
Analytical Modelling of Exoplanet Transit Specroscopy with Dimensional Analysis and Symbolic Regression [68.8204255655161]
ディープラーニング革命は、そのような分析結果を直接、データに適合するコンピュータアルゴリズムで導き出すための扉を開いた。我々は、一般的なホットジュピター系外惑星の遷移半径の合成データにおける記号回帰の利用をうまく実証した。前処理のステップとして,変数の無次元な組み合わせを特定するために次元解析を用いる。
論文参考訳（メタデータ） (2021-12-22T00:52:56Z)
Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文参考訳（メタデータ） (2021-10-18T14:43:50Z)
Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文参考訳（メタデータ） (2021-02-20T03:17:58Z)
Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文参考訳（メタデータ） (2021-02-12T12:23:13Z)
Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文参考訳（メタデータ） (2020-10-05T20:03:13Z)
Physics-Constrained Predictive Molecular Latent Space Discovery with Graph Scattering Variational Autoencoder [0.0]
我々は小データ構造における変分推論とグラフ理論に基づく分子生成モデルを開発する。モデルの性能は、所望の目的特性を持つ分子を生成することによって評価される。
論文参考訳（メタデータ） (2020-09-29T09:05:27Z)
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。