論文の概要: A robust synthetic data generation framework for machine learning in
High-Resolution Transmission Electron Microscopy (HRTEM)
- arxiv url: http://arxiv.org/abs/2309.06122v1
- Date: Tue, 12 Sep 2023 10:44:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-13 13:31:17.927389
- Title: A robust synthetic data generation framework for machine learning in
High-Resolution Transmission Electron Microscopy (HRTEM)
- Title（参考訳）: 高分解能透過電子顕微鏡(HRTEM)における機械学習のための堅牢な合成データ生成フレームワーク
- Authors: Luis Rangel DaCosta, Katherine Sytwu, Catherine Groschner, Mary Scott
- Abstract要約: Construction Zoneは、複雑なナノスケール原子構造を高速に生成するためのPythonパッケージである。
ニューラルネットワークをトレーニングするための大規模なシミュレーションデータベースを作成するためのエンドツーエンドワークフローを開発する。
この結果から, ナノ粒子のHRTEM画像に対して, 最先端のセグメンテーション性能を実現することができた。
- 参考スコア（独自算出の注目度）: 1.0923877073891446
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning techniques are attractive options for developing
highly-accurate automated analysis tools for nanomaterials characterization,
including high-resolution transmission electron microscopy (HRTEM). However,
successfully implementing such machine learning tools can be difficult due to
the challenges in procuring sufficiently large, high-quality training datasets
from experiments. In this work, we introduce Construction Zone, a Python
package for rapidly generating complex nanoscale atomic structures, and develop
an end-to-end workflow for creating large simulated databases for training
neural networks. Construction Zone enables fast, systematic sampling of
realistic nanomaterial structures, and can be used as a random structure
generator for simulated databases, which is important for generating large,
diverse synthetic datasets. Using HRTEM imaging as an example, we train a
series of neural networks on various subsets of our simulated databases to
segment nanoparticles and holistically study the data curation process to
understand how various aspects of the curated simulated data -- including
simulation fidelity, the distribution of atomic structures, and the
distribution of imaging conditions -- affect model performance across several
experimental benchmarks. Using our results, we are able to achieve
state-of-the-art segmentation performance on experimental HRTEM images of
nanoparticles from several experimental benchmarks and, further, we discuss
robust strategies for consistently achieving high performance with machine
learning in experimental settings using purely synthetic data.
- Abstract（参考訳）: 機械学習技術は、高分解能透過電子顕微鏡(hrtem)を含むナノ材料キャラクタリゼーションのための高精度な自動分析ツールを開発するための魅力的な選択肢である。
しかし,実験から十分な大規模で高品質なトレーニングデータセットを取得することの難しさから,このような機械学習ツールをうまく実装することは困難である。
本稿では,複雑なナノスケール原子構造を迅速に生成するpythonパッケージであるconstruction zoneを紹介し,ニューラルネットワークをトレーニングするための大規模シミュレーションデータベースを作成するためのエンドツーエンドワークフローを開発する。
建設ゾーンは、現実的なナノマテリアル構造の高速で体系的なサンプリングを可能にし、大規模で多様な合成データセットを生成するのに重要なシミュレーションデータベースのランダム構造生成器として使用できる。
hrtemイメージングを例に,シミュレーションデータベースの各種サブセット上で一連のニューラルネットワークを訓練し,ナノ粒子を分割し,データキュレーション過程を段階的に研究し,シミュレーション忠実性,原子構造分布,イメージング条件の分布など,キュレートされたシミュレーションデータのさまざまな側面が,いくつかの実験ベンチマークでモデル性能に与える影響を理解する。
実験結果から, ナノ粒子のHRTEM画像上での最先端のセグメンテーション性能を実現し, さらに, 純粋合成データを用いた実験環境下での機械学習による高性能化を継続的に行うための頑健な戦略について考察した。
関連論文リスト
- MBDS: A Multi-Body Dynamics Simulation Dataset for Graph Networks Simulators [4.5353840616537555]
物理現象をモデル化する主要な手法として,グラフネットワークシミュレータ (GNS) が登場している。
我々は,1D,2D,3Dシーンを含む高品質な物理シミュレーションデータセットを構築した。
私たちのデータセットの重要な特徴は、物理世界のより現実的なシミュレーションを促進する、正確な多体ダイナミクスを取り入れることである。
論文 参考訳（メタデータ） (2024-10-04T03:03:06Z) - Advancing fNIRS Neuroimaging through Synthetic Data Generation and Machine Learning Applications [0.0]
本研究では,機能的近赤外分光法(fNIRS)の神経イメージングへの統合的アプローチを提案する。
高品質なニューロイメージングデータセットの不足に対処することにより、モンテカルロシミュレーションとパラメトリックヘッドモデルを利用して総合的な合成データセットを生成する。
スケーラブルなデータ生成と処理のためにクラウドベースのインフラストラクチャが確立され、ニューロイメージングデータのアクセシビリティと品質が向上する。
論文 参考訳（メタデータ） (2024-05-18T09:50:19Z) - Automated Fusion of Multimodal Electronic Health Records for Better
Medical Predictions [48.0590120095748]
本稿では,多様な入力モダリティと融合戦略を符号化する最適なモデルアーキテクチャを自動検索する,AutoFMという新しいニューラルネットワーク探索フレームワークを提案する。
我々は実世界のマルチモーダルEHRデータと予測タスクについて徹底的な実験を行い、その結果、我々のフレームワークが既存の最先端手法よりも大幅な性能向上を実現していることを示す。
論文 参考訳（メタデータ） (2024-01-20T15:14:14Z) - Enhancing Multi-Objective Optimization through Machine Learning-Supported Multiphysics Simulation [1.6685829157403116]
本稿では,訓練,自己最適化,自己組織的代理モデルのための方法論的枠組みを提案する。
シュロゲートモデルを比較的少量のデータで訓練し、基礎となるシミュレーションを正確に近似できることを示す。
論文 参考訳（メタデータ） (2023-09-22T20:52:50Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - Addressing computational challenges in physical system simulations with
machine learning [0.0]
シミュレーションを利用して様々な物理システムやプロセスを調べる研究者を支援する機械学習ベースのデータジェネレータフレームワークを提案する。
まず、シミュレーション結果を予測するために、限られたシミュレートされたデータセットを使用して教師付き予測モデルをトレーニングする。
その後、強化学習エージェントを訓練し、教師付きモデルを利用して正確なシミュレーションライクなデータを生成する。
論文 参考訳（メタデータ） (2023-05-16T17:31:50Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z) - Deep Transformer Networks for Time Series Classification: The NPP Safety
Case [59.20947681019466]
時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。
トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
論文 参考訳（メタデータ） (2021-04-09T14:26:25Z) - 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) - Intelligent multiscale simulation based on process-guided composite
database [0.0]
本稿では、プロセスモデリング、材料均質化、機械学習に基づく統合データ駆動モデリングフレームワークを提案する。
我々は, 自動車, 航空宇宙, エレクトロニクス産業において重要な材料システムとして認識されてきた, 射出成形した短繊維強化複合材料に興味を持っている。
論文 参考訳（メタデータ） (2020-03-20T20:39:19Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z)
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。