論文の概要: Decoding Structure-Spectrum Relationships with Physically Organized Latent Spaces

• arxiv url: http://arxiv.org/abs/2301.04724v1
• Date: Wed, 11 Jan 2023 21:30:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 15:03:05.766340
• Title: Decoding Structure-Spectrum Relationships with Physically Organized Latent Spaces
• Title（参考訳）: デコード構造-スペクトル関係と物理的に整理された潜在空間
• Authors: Zhu Liang, Matthew R. Carbone, Wei Chen, Fanchen Meng, Eli Stavitski, Deyu Lu, Mark S. Hybertsen, and Xiaohui Qu
• Abstract要約: 構造スペクトル関係の発見のための半教師付き機械学習手法を開発し,実証した。 本手法は,個々の構造記述子とスペクトル傾向の1対1マッピングを構成する。 RankAAE法は連続的かつ解釈可能な潜在空間を生成し、各次元は個々の構造記述子を追跡することができる。
• 参考スコア（独自算出の注目度）: 6.36075035468233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A new semi-supervised machine learning method for the discovery of structure-spectrum relationships is developed and demonstrated using the specific example of interpreting X-ray absorption near-edge structure (XANES) spectra. This method constructs a one-to-one mapping between individual structure descriptors and spectral trends. Specifically, an adversarial autoencoder is augmented with a novel rank constraint (RankAAE). The RankAAE methodology produces a continuous and interpretable latent space, where each dimension can track an individual structure descriptor. As a part of this process, the model provides a robust and quantitative measure of the structure-spectrum relationship by decoupling intertwined spectral contributions from multiple structural characteristics. This makes it ideal for spectral interpretation and the discovery of new descriptors. The capability of this procedure is showcased by considering five local structure descriptors and a database of over fifty thousand simulated XANES spectra across eight first-row transition metal oxide families. The resulting structure-spectrum relationships not only reproduce known trends in the literature, but also reveal unintuitive ones that are visually indiscernible in large data sets. The results suggest that the RankAAE methodology has great potential to assist researchers to interpret complex scientific data, test physical hypotheses, and reveal new patterns that extend scientific insight.
• Abstract（参考訳）: X線吸収近接端構造(XANES)スペクトルの解釈の具体例を用いて,構造スペクトル関係の発見のための新しい半教師付き機械学習手法を開発した。 本手法は,個々の構造記述子とスペクトル傾向の1対1マッピングを構成する。 具体的には、対向オートエンコーダを新規なランク制約(RankAAE)で拡張する。 RankAAE法は連続的で解釈可能な潜在空間を生成し、各次元は個々の構造記述子を追跡することができる。 このプロセスの一部として、このモデルは、複数の構造特性から相互に結合したスペクトルコントリビューションを分離することにより、構造とスペクトルの関係を堅牢かつ定量的に測定する。 これはスペクトル解釈と新しい記述子の発見に理想的である。 この手順の能力は、8つの1列の遷移金属酸化物ファミリーにまたがる5万以上のシミュレートxanesスペクトルのデータベースと5つの局所構造記述子を考慮に入れることで示される。 結果として得られた構造とスペクトルの関係は、文献の既知の傾向を再現するだけでなく、大きなデータセットでは視覚的に識別できない直観的な傾向も明らかにする。 RankAAEの手法は、研究者が複雑な科学的データを解釈し、物理仮説を検証し、科学的洞察を広げる新しいパターンを明らかにするのに大いに役立つことを示唆している。

関連論文リスト

• Multi-modal Machine Learning Analysis of X-ray Absorption Near-Edge Spectra and Pair Distribution Functions: Performance and Interpretability towards Experimental Design [0.0]
  我々はX線吸収近接スペクトル(XANES)と原子対分布関数(PDF)からの情報を組み合わせて、遷移金属酸化物の局所構造と化学情報を取り出す。 具体的には, XANES, PDF, およびこれらを併用したランダム森林モデルを用いて, 遷移金属陽イオンの電荷(酸化)状態, 配位数, 平均近傍結合長の抽出を行った。 XANESのみのモデルは全てのタスクにおいてPDFのみのモデルよりも優れており、XANESからの情報は2つの入力が組み合わされたときに支配されることが多い。
  論文  参考訳（メタデータ） (2024-10-22T22:49:31Z)
• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• Unraveling Molecular Structure: A Multimodal Spectroscopic Dataset for Chemistry [0.1747623282473278]
  このデータセットは、特許データから化学反応から抽出された790k分子の1ドルH-NMR、13ドルC-NMR、HSQC-NMR、赤外線、質量スペクトルからなる。 本研究では, 構造解明, 対象分子のスペクトル予測, 機能群予測などの単一モダリティタスクを評価するためのベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T12:52:48Z)
• Datacube segmentation via Deep Spectral Clustering [76.48544221010424]
  拡張ビジョン技術は、しばしばその解釈に挑戦する。 データ立方体スペクトルの巨大な次元性は、その統計的解釈において複雑なタスクを生じさせる。 本稿では,符号化空間における教師なしクラスタリング手法の適用の可能性について検討する。 統計的次元削減はアドホック訓練(可変)オートエンコーダで行い、クラスタリング処理は(学習可能な)反復K-Meansクラスタリングアルゴリズムで行う。
  論文  参考訳（メタデータ） (2024-01-31T09:31:28Z)
• Spectroscopy-Guided Discovery of Three-Dimensional Structures of Disordered Materials with Diffusion Models [6.97950396242977]
  対象物から乱れた材料の3次元構造を予測するための拡散モデルに基づく新しいフレームワークを提案する。 我々のモデルは、特定のXANESスペクトルの原子配列を調整するための生成過程を制御できることを示します。 本研究は, 材料評価と原子構造決定のギャップを埋める上で, 重要な歩みを示している。
  論文  参考訳（メタデータ） (2023-12-09T05:40:10Z)
• On the Joint Interaction of Models, Data, and Features [82.60073661644435]
  本稿では,データとモデル間の相互作用を実験的に解析する新しいツールであるインタラクションテンソルを紹介する。 これらの観測に基づいて,特徴学習のための概念的枠組みを提案する。 この枠組みの下では、一つの仮説に対する期待された精度と一対の仮説に対する合意はどちらも閉形式で導出することができる。
  論文  参考訳（メタデータ） (2023-06-07T21:35:26Z)
• Spatio-Temporal Structure Consistency for Semi-supervised Medical Image Classification [8.656046905043876]
  本研究では,新しい時空間構造一貫性(STSC)学習フレームワークを提案する。 具体的には、空間構造整合性と時間構造整合性を組み合わせるために、グラム行列を導出する。 提案手法は最先端のSSL手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-03T04:18:09Z)
• Discovering Class-Specific GAN Controls for Semantic Image Synthesis [73.91655061467988]
  本稿では,事前訓練されたSISモデルの潜在空間において,空間的に不整合なクラス固有方向を求める新しい手法を提案する。 提案手法によって検出される潜在方向は,セマンティッククラスの局所的な外観を効果的に制御できることを示す。
  論文  参考訳（メタデータ） (2022-12-02T21:39:26Z)
• Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra [68.8204255655161]
  我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。 スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。 主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
  論文  参考訳（メタデータ） (2022-01-07T22:26:33Z)
• Spectral Analysis Network for Deep Representation Learning and Image Clustering [53.415803942270685]
  本稿ではスペクトル分析に基づく教師なし深層表現学習のための新しいネットワーク構造を提案する。 パッチレベルで画像間の局所的な類似性を識別できるため、閉塞に対してより堅牢である。 クラスタリングに親しみやすい表現を学習し、データサンプル間の深い相関を明らかにすることができる。
  論文  参考訳（メタデータ） (2020-09-11T05:07:15Z)

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。