論文の概要: Using CycleGANs to Generate Realistic STEM Images for Machine Learning

• arxiv url: http://arxiv.org/abs/2301.07743v1
• Date: Wed, 18 Jan 2023 19:19:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-20 16:09:38.855691
• Title: Using CycleGANs to Generate Realistic STEM Images for Machine Learning
• Title（参考訳）: CycleGANを使って機械学習のためのリアルなSTEM画像を生成する
• Authors: Abid Khan, Chia-Hao Lee, Pinshane Y. Huang, and Bryan K. Clark
• Abstract要約: 本研究では,実験データから得られた実空間周波数情報を用いてシミュレーションデータを拡張するためのサイクル生成逆数ネットワーク(CycleGAN)を開発した。 本稿では, 完全畳み込みネットワーク(FCN)をトレーニングし, 450万個の原子からなる大規模データセット内の単一原子欠陥を同定することにより, このアプローチの有効性を実証する。
• 参考スコア（独自算出の注目度）: 2.5954872177280346
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The rise of automation and machine learning (ML) in electron microscopy has the potential to revolutionize materials research by enabling the autonomous collection and processing of vast amounts of atomic resolution data. However, a major challenge is developing ML models that can reliably and rapidly generalize to large data sets with varying experimental conditions. To overcome this challenge, we develop a cycle generative adversarial network (CycleGAN) that introduces a novel reciprocal space discriminator to augment simulated data with realistic, complex spatial frequency information learned from experimental data. This enables the CycleGAN to generate nearly indistinguishable images from real experimental data, while also providing labels for further ML applications. We demonstrate the effectiveness of this approach by training a fully convolutional network (FCN) to identify single atom defects in a large data set of 4.5 million atoms, which we collected using automated acquisition in an aberration-corrected scanning transmission electron microscope (STEM). Our approach yields highly adaptable FCNs that can adjust to dynamically changing experimental variables, such as lens aberrations, noise, and local contamination, with minimal manual intervention. This represents a significant step towards building fully autonomous approaches for harnessing microscopy big data.
• Abstract（参考訳）: 電子顕微鏡における自動化と機械学習(ML)の台頭は、大量の原子分解能データの自律的な収集と処理を可能にすることによって、材料研究に革命をもたらす可能性がある。 しかし、大きな課題は、実験条件の異なる大規模データセットに確実かつ迅速に一般化できるMLモデルを開発することである。 この課題を克服するために, 実験データから学習した現実的で複雑な空間周波数情報を用いてシミュレーションデータを補完する新しい相互空間判別器(cyclegan)を開発した。 これにより、CycleGANは実際の実験データからほぼ区別できない画像を生成すると同時に、さらなるMLアプリケーションのためのラベルを提供することができる。 本手法は,450万原子の大規模データセットにおいて単一原子欠陥を同定するためにfcn(完全畳み込みネットワーク)を訓練し,収差補正走査透過電子顕微鏡(stem)で自動取得により収集した。 本手法は, レンズ収差, ノイズ, 局所汚染などの動的に変化する実験変数を手動で最小限の介入で調整できる高度適応性FCNを実現する。 これは、顕微鏡ビッグデータを活用するための完全に自律的なアプローチを構築するための重要なステップである。

関連論文リスト

• Learning and Controlling Silicon Dopant Transitions in Graphene using Scanning Transmission Electron Microscopy [58.51812955462815]
  単層炭素原子上のシリコン原子の遷移ダイナミクスを機械学習で決定する手法を提案する。 データサンプルは、ニューラルネットワークをトレーニングして遷移確率を予測するために、シンボリック表現を生成するために処理され、フィルタリングされる。 これらの学習された遷移ダイナミクスを利用すれば、格子全体に1つのシリコン原子を誘導し、あらかじめ決定された目標目的地へと導くことができる。
  論文  参考訳（メタデータ） (2023-11-21T21:51:00Z)
• 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)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• 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)
• Towards Augmented Microscopy with Reinforcement Learning-Enhanced Workflows [0.0]
  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。
  論文  参考訳（メタデータ） (2022-08-04T20:02:21Z)
• Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
  我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。 結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。 シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
  論文  参考訳（メタデータ） (2022-02-01T03:53:39Z)
• Learning to automate cryo-electron microscopy data collection with Ptolemy [4.6453787256723365]
  低温電子顕微鏡(cryo-EM)は、生体高分子の近原・近原子分解能3次元構造を決定する主要な方法として登場した。 現在,高磁化Cryo-EMマイクログラフの収集には,パラメータの入力と手動チューニングが必要である。 そこで我々は,目的のアルゴリズムを用いて,低・中規模のターゲットを自動生成する最初のパイプラインを開発した。
  論文  参考訳（メタデータ） (2021-12-01T22:39:28Z)
• 3D fluorescence microscopy data synthesis for segmentation and benchmarking [0.9922927990501083]
  3次元蛍光顕微鏡のための現実的な画像データを生成するために、条件付き生成対向ネットワークを利用することができる。 細胞構造のさらなる位置条件付けにより、位置依存的な強度特性の再構築が可能となる。 パッチワイド動作原理とその後のフルサイズ再組み立て戦略を用いて、任意のサイズと異なる生物の画像データを生成する。
  論文  参考訳（メタデータ） (2021-07-21T16:08:56Z)
• 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。