論文の概要: Parameters, Properties, and Process: Conditional Neural Generation of
Realistic SEM Imagery Towards ML-assisted Advanced Manufacturing
- arxiv url: http://arxiv.org/abs/2302.08495v1
- Date: Fri, 13 Jan 2023 00:48:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 14:25:04.146200
- Title: Parameters, Properties, and Process: Conditional Neural Generation of
Realistic SEM Imagery Towards ML-assisted Advanced Manufacturing
- Title（参考訳）: パラメータ, 特性, プロセス:ML支援製造に向けた実写SEM画像の条件付きニューラル生成
- Authors: Scott Howland, Lara Kassab, Keerti Kappagantula, Henry Kvinge, Tegan
Emerson
- Abstract要約: 我々は,条件付き生成対向ネットワーク(GAN)を走査型電子顕微鏡(SEM)画像に適用することにより,先行研究を構築した。
我々は, テンパと実験パラメータ, 材料特性を条件とした現実的な画像を生成する。
この研究は、製造プロセスを理解するための根本的に新しいアプローチの技術的バックボーンを形成する。
- 参考スコア（独自算出の注目度）: 1.5234614694413722
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The research and development cycle of advanced manufacturing processes
traditionally requires a large investment of time and resources. Experiments
can be expensive and are hence conducted on relatively small scales. This poses
problems for typically data-hungry machine learning tools which could otherwise
expedite the development cycle. We build upon prior work by applying
conditional generative adversarial networks (GANs) to scanning electron
microscope (SEM) imagery from an emerging manufacturing process, shear assisted
processing and extrusion (ShAPE). We generate realistic images conditioned on
temper and either experimental parameters or material properties. In doing so,
we are able to integrate machine learning into the development cycle, by
allowing a user to immediately visualize the microstructure that would arise
from particular process parameters or properties. This work forms a technical
backbone for a fundamentally new approach for understanding manufacturing
processes in the absence of first-principle models. By characterizing
microstructure from a topological perspective we are able to evaluate our
models' ability to capture the breadth and diversity of experimental scanning
electron microscope (SEM) samples. Our method is successful in capturing the
visual and general microstructural features arising from the considered
process, with analysis highlighting directions to further improve the
topological realism of our synthetic imagery.
- Abstract（参考訳）: 先進的な製造プロセスの研究開発サイクルは伝統的に時間と資源の大きな投資を必要とする。
実験は高価であり、そのため比較的小さなスケールで行われる。
このことは、通常なら開発サイクルを短縮できるデータハングリー機械学習ツールに問題を引き起こす。
本研究では, 新規製造プロセスからの走査型電子顕微鏡(SEM)画像, せん断補助加工および押出成形(ShAPE)に, 条件生成対向ネットワーク(GAN)を適用し, 先行研究に基づいて構築する。
我々は,テンパと実験パラメータ,材料特性を条件とした現実的な画像を生成する。
これによって、特定のプロセスパラメータやプロパティから発生する微視的な構造を、ユーザがすぐに視覚化できるようになり、マシンラーニングを開発サイクルに統合することが可能になります。
この研究は、第一原理モデルがない中で製造プロセスを理解するための基本的な新しいアプローチの技術的バックボーンを形成する。
トポロジカルな視点からミクロ構造を特徴づけることで、実験電子顕微鏡(SEM)試料の幅と多様性を捉えることのできるモデルの能力を評価することができる。
提案手法は, 合成画像のトポロジ的リアリズムをさらに向上させるために, 検討したプロセスから発生する視覚的, 一般的な微細構造的特徴を捉えることに成功している。
関連論文リスト
- Revealing the Evolution of Order in Materials Microstructures Using Multi-Modal Computer Vision [4.6481041987538365]
マイクロエレクトロニクス用高性能材料の開発は, マイクロ構造秩序を記述し, 直接的に定義する能力に依存している。
本稿では, 複合酸化物La$_1-x$Sr$_x$FeO$_3$の電子顕微鏡解析の順序を記述するためのマルチモーダル機械学習(ML)手法を実証する。
我々は、ユニモーダルモデルとマルチモーダルモデルの性能の違いを観察し、コンピュータビジョンを用いて結晶の秩序を記述する一般的な教訓を導いた。
論文 参考訳（メタデータ） (2024-11-15T02:44:32Z) - MatSAM: Efficient Extraction of Microstructures of Materials via Visual
Large Model [11.130574172301365]
Segment Anything Model (SAM)は、強力な深い特徴表現とゼロショットの一般化機能を備えた大きなビジュアルモデルである。
本稿では,SAMに基づく汎用的で効率的なマイクロ構造抽出法であるMatSAMを提案する。
簡単なが効果的な点ベースのプロンプト生成戦略が設計され、ミクロ構造の分布と形状に基づいている。
論文 参考訳（メタデータ） (2024-01-11T03:18:18Z) - Mechanical Characterization and Inverse Design of Stochastic Architected
Metamaterials Using Neural Operators [2.4918888803900727]
機械学習は、建築された材料の設計のための変革的なツールとして登場しつつある。
ここでは、ディープニューラル演算子(DeepONet)を活用した、エンドツーエンドの科学MLフレームワークを紹介する。
2光子リソグラフィーを用いて印刷した脊椎の微細構造から得られた結果,機械的応答の予測誤差が5～10%の範囲内であることが判明した。
論文 参考訳（メタデータ） (2023-11-23T05:23:15Z) - Automatically Predict Material Properties with Microscopic Image Example
Polymer Compatibility [94.40113383292139]
機械学習を用いたコンピュータ画像認識は、人工判定の欠陥を補うことができる。
畳み込みニューラルネットワークとトランスファーラーニング手法を用いて、自動誤認認識を実現する。
提案手法は, 各種材料の微細構造と物性の定量的評価に広く応用できる。
論文 参考訳（メタデータ） (2023-03-22T07:51:32Z) - TopTemp: Parsing Precipitate Structure from Temper Topology [1.5234614694413722]
そこで我々は,TopTempと呼ばれる走査型電子顕微鏡で観察したテンパー(熱処理)依存材料ミクロ構造のトポロジカル表現について述べる。
このトポロジカルな表現は、データ制限された環境での微細構造のより温和な分類をサポートし、以前は見られていなかったサンプルをうまく一般化し、画像の摂動に頑健であり、ドメインの解釈可能な特徴を捉えることができることを示す。
論文 参考訳（メタデータ） (2022-04-01T16:02:10Z) - The Preliminary Results on Analysis of TAIGA-IACT Images Using
Convolutional Neural Networks [68.8204255655161]
本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。
The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
論文 参考訳（メタデータ） (2021-12-19T15:17:20Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳（メタデータ） (2021-05-18T10:15:17Z) - MOGAN: Morphologic-structure-aware Generative Learning from a Single
Image [59.59698650663925]
近年,1つの画像のみに基づく生成モデルによる完全学習が提案されている。
多様な外観のランダムなサンプルを生成するMOGANというMOrphologic-structure-aware Generative Adversarial Networkを紹介します。
合理的な構造の維持や外観の変化など、内部機能に重点を置いています。
論文 参考訳（メタデータ） (2021-03-04T12:45:23Z) - 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) - Image-driven discriminative and generative machine learning algorithms
for establishing microstructure-processing relationships [0.49259062564301753]
我々は、画像認識、キャラクタリゼーション、予測機能構築のための改良された機械学習アプローチを開発する。
核燃料として現在開発中の二元合金(ウラニウムモリブデン)について検討した。
F1スコア95.1%は10の異なる熱力学的材料処理条件に対応するマイクログラフを区別するために達成された。
論文 参考訳（メタデータ） (2020-07-27T10:36:18Z) - Predictive modeling approaches in laser-based material processing [59.04160452043105]
本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。
その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。
結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
論文 参考訳（メタデータ） (2020-06-13T17:28:52Z)
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。