論文の概要: Pair-Variational Autoencoders (PairVAE) for Linking and Cross-Reconstruction of Characterization Data from Complementary Structural Characterization Techniques

• arxiv url: http://arxiv.org/abs/2305.16467v1
• Date: Thu, 25 May 2023 20:45:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-29 18:16:22.058201
• Title: Pair-Variational Autoencoders (PairVAE) for Linking and Cross-Reconstruction of Characterization Data from Complementary Structural Characterization Techniques
• Title（参考訳）: 相似構造解析手法による特徴データのリンクとクロスコンストラクションのためのペア可変オートエンコーダ(PairVAE)
• Authors: Shizhao Lu, Arthi Jayaraman
• Abstract要約: 材料研究において、構造的特徴付けは、合成された材料の全体的形態的ビューを得るために、しばしば複数の相補的技術を必要とする。 複数のテクニックからペア構造的特徴付けデータに基づいてトレーニングできる機械学習モデルを持つことは、モデルが他方からひとつの特徴付けデータを生成するのに有用である。 本稿では,Small Angle X-Ray Scattering(SAXS)のデータとSEM(Small Angle X-Ray Scattering)の画像を表示する機械学習ワークフローであるPairVAEについて述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In material research, structural characterization often requires multiple complementary techniques to obtain a holistic morphological view of the synthesized material. Depending on the availability of and accessibility of the different characterization techniques (e.g., scattering, microscopy, spectroscopy), each research facility or academic research lab may have access to high-throughput capability in one technique but face limitations (sample preparation, resolution, access time) with other techniques(s). Furthermore, one type of structural characterization data may be easier to interpret than another (e.g., microscopy images are easier to interpret than small angle scattering profiles). Thus, it is useful to have machine learning models that can be trained on paired structural characterization data from multiple techniques so that the model can generate one set of characterization data from the other. In this paper we demonstrate one such machine learning workflow, PairVAE, that works with data from Small Angle X-Ray Scattering (SAXS) that presents information about bulk morphology and images from Scanning Electron Microscopy (SEM) that presents two-dimensional local structural information of the sample. Using paired SAXS and SEM data of novel block copolymer assembled morphologies [open access data from Doerk G.S., et al. Science Advances. 2023 Jan 13;9(2): eadd3687], we train our PairVAE. After successful training, we demonstrate that the PairVAE can generate SEM images of the block copolymer morphology when it takes as input that sample's corresponding SAXS 2D pattern, and vice versa. This method can be extended to other soft materials morphologies as well and serves as a valuable tool for easy interpretation of 2D SAXS patterns as well as creating a database for other downstream calculations of structure-property relationships.
• Abstract（参考訳）: 材料研究において、構造的特徴付けは、合成された材料の全体像を得るために、しばしば複数の相補的な技術を必要とする。 異なるキャラクタリゼーション技術(例えば散乱、顕微鏡、分光法)の可用性とアクセシビリティに応じて、各研究施設または学術研究所は、1つの技術で高出力能力にアクセスできるが、他の技術との制限(サンプル準備、解像度、アクセス時間)に直面している。 さらに、あるタイプの構造的特徴データは、他のものよりも容易に解釈できる(例えば、顕微鏡画像は小さな角度散乱プロファイルよりも解釈しやすい)。 したがって、複数の技術からペア化された構造的特徴データに基づいてトレーニングできる機械学習モデルを持つことは、モデルが他方から1組の特徴データを生成するのに有用である。 本稿では,スモールアングルx線散乱 (saxs) のデータを用いて,試料の2次元局所構造情報を示す走査型電子顕微鏡 (sem) の画像とバルク形態に関する情報を提示する。 新規ブロック共重合体のペアSAXSとSEMデータを用いてモルフォロジー(Doerk G.S.等によるオープンアクセスデータ、2023年1月13日 - 9(2): eadd3687]を組み立て、PairVAEを訓練した。 PairVAEは,サンプルのSAXS 2Dパターンを入力として,ブロック共重合体のSEM画像を生成することができ,その逆も可能であることを示す。 この手法は他の軟質材料の形態にも拡張でき、2次元SAXSパターンの容易に解釈できる貴重なツールとなり、構造-不適切な関係の下流での計算のためのデータベースを作成することができる。

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)
• Images in Discrete Choice Modeling: Addressing Data Isomorphism in Multi-Modality Inputs [77.54052164713394]
  本稿では,離散選択モデリング(DCM)と機械学習の交わりについて考察する。 本稿では,DCMフレームワーク内の従来の表型入力と同型情報を共有する高次元画像データの埋め込み結果について検討する。
  論文  参考訳（メタデータ） (2023-12-22T14:33:54Z)
• 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)
• 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)
• Latent Space Diffusion Models of Cryo-EM Structures [6.968705314671148]
  我々は、CryoDRGNフレームワークにおいて、表現的で学習可能な拡散モデルをトレーニングする。 データ分布の正確なモデルを学習することにより、生成モデリング、サンプリング、分布解析のツールを解放する。
  論文  参考訳（メタデータ） (2022-11-25T15:17:10Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• Enhancing Mechanical Metamodels with a Generative Model-Based Augmented Training Dataset [0.7734726150561089]
  組織の機械的挙動を定義する上で重要な役割を果たしているミクロ構造パターンをシミュレートすることは困難である。 本研究では,限られた入力パターンデータセットを増大させるツールとして,機械学習に基づく生成モデルの有効性について検討する。 Cahn-Hilliardパターンに基づく有限要素解析シミュレーションのオープンアクセスデータセットを作成しました。
  論文  参考訳（メタデータ） (2022-03-08T16:15:54Z)
• 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)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Multi-view Data Visualisation via Manifold Learning [0.03222802562733786]
  本論文は, 学生のT分散SNE, LLE, ISOMAPの拡張を提案し, 多視点データの次元的縮小と可視化を可能にする。 マルチビューマニホールド学習手法で得られた低次元埋め込みをK平均アルゴリズムに組み込むことにより、サンプルのクラスタを正確に特定できることを示した。
  論文  参考訳（メタデータ） (2021-01-17T19:54:36Z)
• Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
  画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。 そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。 画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
  論文  参考訳（メタデータ） (2020-02-18T17:58:07Z)

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。