論文の概要: Automatically Predict Material Properties with Microscopic Image Example Polymer Compatibility

• arxiv url: http://arxiv.org/abs/2303.12360v1
• Date: Wed, 22 Mar 2023 07:51:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-23 14:50:23.594721
• Title: Automatically Predict Material Properties with Microscopic Image Example Polymer Compatibility
• Title（参考訳）: 微視的画像例による材料特性の自動予測
• Authors: Zhilong Liang, Zhenzhi Tan, Ruixin Hong, Wanli Ouyang, Jinying Yuan and Changshui Zhang
• Abstract要約: 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転送学習を用いた自動互換性認識を実現する。 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。
• 参考スコア（独自算出の注目度）: 94.40113383292139
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many material properties are manifested in the morphological appearance and characterized with microscopic image, such as scanning electron microscopy (SEM). Polymer compatibility is a key physical quantity of polymer material and commonly and intuitively judged by SEM images. However, human observation and judgement for the images is time-consuming, labor-intensive and hard to be quantified. Computer image recognition with machine learning method can make up the defects of artificial judging, giving accurate and quantitative judgement. We achieve automatic compatibility recognition utilizing convolution neural network and transfer learning method, and the model obtains up to 94% accuracy. We also put forward a quantitative criterion for polymer compatibility with this model. The proposed method can be widely applied to the quantitative characterization of the microstructure and properties of various materials.
• Abstract（参考訳）: 多くの材料特性は形態学的外観に現れ、走査電子顕微鏡(SEM)のような顕微鏡像で特徴づけられる。 ポリマーの適合性は, 高分子材料の物理量として重要であり, SEM画像から一般的に直感的に判断される。 しかし、人間の観察と画像の判断は時間がかかり、労力がかかり、定量化が困難である。 機械学習によるコンピュータ画像認識は、人工判断の欠陥を補い、正確かつ定量的な判断を与えることができる。 畳み込みニューラルネットワークと転送学習を用いた自動互換性認識を実現し、最大94%の精度が得られる。 また, このモデルとポリマーの適合性に関する定量的基準も提示した。 提案手法は, 各種材料の微細構造および物性の定量的評価に広く応用可能である。

関連論文リスト

• Micrometer: Micromechanics Transformer for Predicting Mechanical Responses of Heterogeneous Materials [4.759109475818876]
  異種材料の機械的応答を予測する人工知能フレームワークであるMicromechanics Transformer(em Micrometer)を紹介する。 マイクロメーターは、幅広いミクロ組織にわたるマイクロスケールのひずみ場を予測する際に、最先端の性能を達成することができる。 私たちの研究は、計算ソリッドメカニクスにおけるAI駆動のイノベーションへの大きな一歩を示しています。
  論文  参考訳（メタデータ） (2024-09-23T16:01:37Z)
• On machine learning analysis of atomic force microscopy images for image classification, sample surface recognition [2.356908851188234]
  原子間力顕微鏡(AFM)イメージングは、顕微鏡技術の中で機械学習(ML)分析に最も適している。 説明されたアプローチは、すでに生物学的細胞の表面の分析と分類に成功している。 医学的画像、特定の材料処理、法医学的な研究、さらには芸術の真正性を識別するために応用することができる。
  論文  参考訳（メタデータ） (2024-03-24T16:48:10Z)
• Alchemist: Parametric Control of Material Properties with Diffusion Models [51.63031820280475]
  本手法は,フォトリアリズムで知られているテキスト・イメージ・モデルの生成先行に乗じる。 我々は,NeRFの材料化へのモデルの適用の可能性を示す。
  論文  参考訳（メタデータ） (2023-12-05T18:58:26Z)
• Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images [68.8204255655161]
  同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。 分析するデータには教師なし学習モデルが必要です。
  論文  参考訳（メタデータ） (2023-04-19T13:45:28Z)
• A Survey on Evaluation Metrics for Synthetic Material Micro-Structure Images from Generative Models [0.0]
  合成微細構造画像の評価は、機械学習と材料科学の研究が共に発展するにつれ、新たな問題となっている。 本研究では, グラフェン強化ポリウレタン発泡体の走査電子顕微鏡(SEM)像について検討した。
  論文  参考訳（メタデータ） (2022-11-03T15:17:42Z)
• Learning multi-scale functional representations of proteins from single-cell microscopy data [77.34726150561087]
  局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。 また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-24T00:00:07Z)
• A graph representation of molecular ensembles for polymer property prediction [3.032184156362992]
  有機分子とは対照的に、ポリマーはよく定義された単一構造ではなく、類似した分子の集合体である。 本稿では,分子アンサンブルのグラフ表現と,高分子特性予測に適したグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-05-17T20:31:43Z)
• A Machine Learning Method for Material Property Prediction: Example Polymer Compatibility [39.364776649251944]
  材料特性予測のための新しい汎用機械学習手法を提案する。 代表的な例として, 本手法の有効性を示すために, ポリマーの適合性を選択する。
  論文  参考訳（メタデータ） (2022-02-28T05:48:05Z)
• How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
  我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。 具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
  論文  参考訳（メタデータ） (2021-11-10T21:19:02Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)

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。