論文の概要: Physics and Chemistry from Parsimonious Representations: Image Analysis
via Invariant Variational Autoencoders
- arxiv url: http://arxiv.org/abs/2303.18236v1
- Date: Thu, 30 Mar 2023 03:16:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 12:59:41.503624
- Title: Physics and Chemistry from Parsimonious Representations: Image Analysis
via Invariant Variational Autoencoders
- Title（参考訳）: 擬似表現からの物理と化学:不変変分オートエンコーダによる画像解析
- Authors: Mani Valleti, Yongtao Liu, Sergei Kalinin
- Abstract要約: 変分オートエンコーダ(VAE)は教師なしデータ解析の強力なパラダイムとして登場している。
この記事では、VAEの背景にある基本的な原則と直観を概説する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electron, optical, and scanning probe microscopy methods are generating ever
increasing volume of image data containing information on atomic and mesoscale
structures and functionalities. This necessitates the development of the
machine learning methods for discovery of physical and chemical phenomena from
the data, such as manifestations of symmetry breaking in electron and scanning
tunneling microscopy images, variability of the nanoparticles. Variational
autoencoders (VAEs) are emerging as a powerful paradigm for the unsupervised
data analysis, allowing to disentangle the factors of variability and discover
optimal parsimonious representation. Here, we summarize recent developments in
VAEs, covering the basic principles and intuition behind the VAEs. The
invariant VAEs are introduced as an approach to accommodate scale and
translation invariances present in imaging data and separate known factors of
variations from the ones to be discovered. We further describe the
opportunities enabled by the control over VAE architecture, including
conditional, semi-supervised, and joint VAEs. Several case studies of VAE
applications for toy models and experimental data sets in Scanning Transmission
Electron Microscopy are discussed, emphasizing the deep connection between VAE
and basic physical principles. All the codes used here are available at
https://github.com/saimani5/VAE-tutorials and this article can be used as an
application guide when applying these to own data sets.
- Abstract（参考訳）: 電子、光学、走査型プローブ顕微鏡法は、原子やメソスケールの構造や機能に関する情報を含む画像データ量を増やし続けている。
これは、電子の対称性の破れや走査型トンネル顕微鏡画像、ナノ粒子の可変性などのデータから物理現象や化学現象を発見するための機械学習手法の開発を必要とする。
変分オートエンコーダ(vaes)は教師なしデータ解析の強力なパラダイムとして登場し、変分可能性の要因を解消し、最適な調律表現を見つけることができる。
ここでは,最近のvaesの発展を概説し,vaesの基本原理と直観について述べる。
不変量vaesは、画像データに存在するスケールおよび変換不変量に対応し、発見されるものから変化の既知の要因を分離するアプローチとして導入される。
さらに,条件付き,半教師付き,ジョイントvaeを含むvaeアーキテクチャの制御によって実現される機会について述べる。
トイモデルとScanning Transmission Electron Microscopyにおける実験データセットに対するVAE応用のいくつかのケーススタディを議論し、VAEと基本的な物理原理との深い関係を強調した。
ここで使用されるすべてのコードは、https://github.com/saimani5/vae-tutorialsで利用可能です。
関連論文リスト
- Invariant Discovery of Features Across Multiple Length Scales: Applications in Microscopy and Autonomous Materials Characterization [3.386918190302773]
可変オートエンコーダ(VAE)は、画像データの変動の基本的な要因を特定する強力なツールとして登場した。
異なる長さスケールでサンプル化した記述子を用いて,VAEの漸進的トレーニングに基づいて,SI-VAEアプローチを導入する。
論文 参考訳（メタデータ） (2024-08-01T01:48:46Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - 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) - Interpretable Joint Event-Particle Reconstruction for Neutrino Physics
at NOvA with Sparse CNNs and Transformers [124.29621071934693]
本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。
TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。
このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
論文 参考訳（メタデータ） (2023-03-10T20:36:23Z) - Combining Variational Autoencoders and Physical Bias for Improved
Microscopy Data Analysis [0.0]
本稿では,データ内の変数の因子を分散させる物理拡張機械学習手法を提案する。
本手法はNiO-LSMO, BiFeO3, グラフェンなど様々な材料に適用される。
その結果,大量の画像データから有意な情報を抽出する手法の有効性が示された。
論文 参考訳（メタデータ） (2023-02-08T17:35:38Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Semi-supervised learning of images with strong rotational disorder:
assembling nanoparticle libraries [0.0]
ほとんどの場合、実験データストリームは任意の回転と変換を持つ画像を含む。
ラベル付きデータの小さなサブセットから大きなラベル付きデータセットへの一般化を可能にするアプローチを開発する。
論文 参考訳（メタデータ） (2021-05-24T18:01:57Z) - AtomAI: A Deep Learning Framework for Analysis of Image and Spectroscopy
Data in (Scanning) Transmission Electron Microscopy and Beyond [0.0]
AtomAIは、インストゥルメント固有のPythonライブラリ、ディープラーニング、シミュレーションツールを単一のエコシステムにブリッジするオープンソースソフトウェアパッケージです。
AtomAIは、原子とメソスコピックの画像セグメンテーションにディープ畳み込みニューラルネットワークを直接適用することができる。
AtomAIは、im2specと spec2imタイプのエンコーダ-デコーダモデルを通じて構造-プロパティ関係をマッピングするユーティリティを提供する。
論文 参考訳（メタデータ） (2021-05-16T17:44:59Z) - Robust Feature Disentanglement in Imaging Data via Joint Invariant
Variational Autoencoders: from Cards to Atoms [0.0]
関節回転(および翻訳)不変変分オートエンコーダ(j-trVAE)を導入する。
この方法の性能は、いくつかの合成データセットで検証され、電子および走査プローブ顕微鏡の高分解能イメージングデータに拡張されます。
強誘電体材料と量子系の既知の物理学に直接関連する潜在空間の挙動を示す。
論文 参考訳（メタデータ） (2021-04-20T18:01:55Z) - Quantitative Understanding of VAE as a Non-linearly Scaled Isometric
Embedding [52.48298164494608]
変分オートエンコーダ(VAE)は、各入力データに対応する潜伏変数の後方パラメータを推定する。
本稿では,VAEの微分幾何学的および情報理論的解釈を通じて,VAEの特性を定量的に理解する。
論文 参考訳（メタデータ） (2020-07-30T02:37:46Z) - Data-Driven Discovery of Molecular Photoswitches with Multioutput
Gaussian Processes [51.17758371472664]
フォトウィッチ可能な分子は、光によってアクセスされる2つ以上の異性体である。
本稿では、データセットキュレーションとマルチタスク学習を基盤とした、分子フォトウィッチのためのデータ駆動探索パイプラインを提案する。
提案手法は, 市販フォトウィッチ可能な分子のライブラリーをスクリーニングし, 実験的に検証した。
論文 参考訳（メタデータ） (2020-06-28T20:59:03Z)
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。