論文の概要: Human-In-the-Loop for Bayesian Autonomous Materials Phase Mapping
- arxiv url: http://arxiv.org/abs/2306.10406v1
- Date: Sat, 17 Jun 2023 18:25:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 20:52:26.232903
- Title: Human-In-the-Loop for Bayesian Autonomous Materials Phase Mapping
- Title（参考訳）: ベイジアン自律材料位相マッピングのための人間とロボット
- Authors: Felix Adams, Austin McDannald, Ichiro Takeuchi, A. Gilad Kusne
- Abstract要約: 本稿では,人間の入力を自律的な材料探索キャンペーンに統合するための一連の手法を提案する。
ユーザは、興味のある領域、潜在的領域、およびおそらくフェーズ境界を示すことで、入力を選択できる。
適切な入力を行うと、位相マッピング性能が大幅に向上することを示す。
- 参考スコア（独自算出の注目度）: 14.930208990741129
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous experimentation (AE) combines machine learning and research
hardware automation in a closed loop, guiding subsequent experiments toward
user goals. As applied to materials research, AE can accelerate materials
exploration, reducing time and cost compared to traditional Edisonian studies.
Additionally, integrating knowledge from diverse sources including theory,
simulations, literature, and domain experts can boost AE performance. Domain
experts may provide unique knowledge addressing tasks that are difficult to
automate. Here, we present a set of methods for integrating human input into an
autonomous materials exploration campaign for composition-structure phase
mapping. The methods are demonstrated on x-ray diffraction data collected from
a thin film ternary combinatorial library. At any point during the campaign,
the user can choose to provide input by indicating regions-of-interest, likely
phase regions, and likely phase boundaries based on their prior knowledge
(e.g., knowledge of the phase map of a similar material system), along with
quantifying their certainty. The human input is integrated by defining a set of
probabilistic priors over the phase map. Algorithm output is a probabilistic
distribution over potential phase maps, given the data, model, and human input.
We demonstrate a significant improvement in phase mapping performance given
appropriate human input.
- Abstract（参考訳）: 自動実験(AE)は、機械学習と研究ハードウェアの自動化をクローズドループで組み合わせ、その後の実験をユーザ目標に向けて導く。
材料研究に適用されるように、aeは材料探索を加速し、伝統的なエジソン研究に比べて時間とコストを削減できる。
さらに、理論、シミュレーション、文献、ドメインの専門家を含む様々な情報源からの知識を統合することで、AEのパフォーマンスを向上させることができる。
ドメインの専門家は自動化が難しいユニークな知識を扱うタスクを提供するかもしれません。
本稿では,構成構造相マッピングのための自律的材料探索キャンペーンに人間の入力を統合する手法のセットを提案する。
この方法は薄膜3次組合せライブラリから収集したX線回折データに示す。
キャンペーン中の任意の時点で、ユーザは、自分の事前の知識(例えば、類似する材料システムの位相マップの知識)に基づいて、興味のある領域、可能性のある位相領域、およびおそらく位相境界を示し、確信度を定量化することによって、入力を提供することを選択できる。
人間の入力は位相写像上の確率的前置集合を定義することで統合される。
アルゴリズムの出力は、データ、モデル、人間の入力を考慮し、潜在的な位相マップ上の確率分布である。
適切な入力によって位相マッピング性能が大幅に向上することを示す。
関連論文リスト
- ILAEDA: An Imitation Learning Based Approach for Automatic Exploratory Data Analysis [5.012314384895538]
我々は、操作を重要なものにする重要な特徴のすべてが、報酬を使って数学的に正確にキャプチャできるわけではないと論じる。
本稿では,専門家EDAセッションの模倣学習を通じて訓練されたAutoEDAモデルを提案する。
提案手法は,既存のエンドツーエンドEDA手法を最大3倍のベンチマークで上回り,高い性能と一般化を示す。
論文 参考訳（メタデータ） (2024-10-15T04:56:13Z) - Towards accelerating physical discovery via non-interactive and
interactive multi-fidelity Bayesian Optimization: Current challenges and
future opportunities [0.2445561610325265]
そこで我々は,従来の(データ駆動型)MFBOから始まり,構造化された(物理駆動型)sMFBOに始まり,適応的かつドメインの専門家による探索のためのループ型インタラクティブiMFBOを実現するためのインタラクティブなビルディングを探索する。
詳細な分析と比較は、探索の改善のための物理知識注入とオンザフライでの人間の決定の影響、現在の課題、そしてデータ、物理、およびリアルタイムの人間の決定を組み合わせたアルゴリズム開発の可能性を示している。
論文 参考訳（メタデータ） (2024-02-20T22:12:33Z) - Gaussian Mixture Models for Affordance Learning using Bayesian Networks [50.18477618198277]
Affordancesはアクション、オブジェクト、エフェクト間の関係の基本的な記述である。
本稿では,世界を探究し,その感覚経験から自律的にこれらの余裕を学習するエンボディエージェントの問題にアプローチする。
論文 参考訳（メタデータ） (2024-02-08T22:05:45Z) - Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。
PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。
提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2023-09-27T14:39:41Z) - Incremental 3D Scene Completion for Safe and Efficient Exploration
Mapping and Planning [60.599223456298915]
本研究では,情報,安全,解釈可能な地図作成と計画に3次元シーン補完を活用することによって,深層学習を探索に統合する新しい手法を提案する。
本手法は,地図の精度を最小限に抑えることで,ベースラインに比べて環境のカバレッジを73%高速化できることを示す。
最終地図にシーン完了が含まれていなくても、ロボットがより情報的な経路を選択するように誘導し、ロボットのセンサーでシーンの測定を35%高速化できることが示される。
論文 参考訳（メタデータ） (2022-08-17T14:19:33Z) - Physics in the Machine: Integrating Physical Knowledge in Autonomous
Phase-Mapping [10.629434761354938]
科学インフォームドAIや科学AIは、データ分析から、クローズドループ自律システムにおける実験設計、シミュレーション、実行、分析まで、成長してきた。
CAMEOアルゴリズムは、物質系の構成構造関係を学習し、最適な機能特性を持つ材料組成を特定するという2つの課題に対処するために、科学的なAIを使用する。
論文 参考訳（メタデータ） (2021-11-15T00:48:34Z) - Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or
Something Else? [93.91375268580806]
政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。
既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。
既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
論文 参考訳（メタデータ） (2021-11-09T13:30:34Z) - Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
トレーニングデータアーティファクトの識別を容易にする手法を提案する。
提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。
我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
論文 参考訳（メタデータ） (2021-07-01T09:26:13Z) - Statistical Approach to Quantum Phase Estimation [62.92678804023415]
位相推定アルゴリズム(PEA)に新しい統計的・変動的アプローチを導入する。
固有位相推定のみを返す従来的かつ反復的なPEAとは異なり、提案手法は未知の固有状態-固有位相対を決定できる。
本稿では,IBM Qプラットフォームおよびローカルコンピュータ上で,Qiskitパッケージを用いた手法のシミュレーション結果を示す。
論文 参考訳（メタデータ） (2021-04-21T00:02:00Z) - Distributed Learning via Filtered Hyperinterpolation on Manifolds [2.2046162792653017]
本稿では,実数値関数を多様体上で学習する問題について検討する。
大規模なデータセットを扱うという問題に触発され、並列データ処理アプローチが提示される。
学習関数の近似品質と多様体全体の量的関係を証明した。
論文 参考訳（メタデータ） (2020-07-18T10:05:18Z) - Unsupervised phase discovery with deep anomaly detection [0.0]
我々は、自動化された教師なし機械学習を用いてフェーズダイアグラムを探索する方法を実証する。
私たちは、完全に教師なしかつ自動化された方法で、フェーズダイアグラム全体を決定するために、ディープニューラルネットワークを使用します。
提案手法により, 予期せぬ特性を有する超固相と超流動相の相分離領域を明らかにすることができる。
論文 参考訳（メタデータ） (2020-03-22T14:20:04Z)
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。