論文の概要: Unsupervised Learning of Nanoindentation Data to Infer Microstructural
Details of Complex Materials
- arxiv url: http://arxiv.org/abs/2309.06613v1
- Date: Tue, 12 Sep 2023 21:45:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-14 16:12:33.640376
- Title: Unsupervised Learning of Nanoindentation Data to Infer Microstructural
Details of Complex Materials
- Title(参考訳): ナノインデンテーションデータの教師なし学習による複合材料の微細構造の詳細推定
- Authors: Chen Zhang, Cl\'emence Bos, Stefan Sandfeld, Ruth Schwaiger
- Abstract要約: Cu-Cr複合材料をナノインデンテーションにより研究した。
教師なし学習技術を用いてデータを解析した。
データ量が適切かどうかを判断するためにクロスバリデーションを導入した。
- 参考スコア(独自算出の注目度): 4.771578529731914
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In this study, Cu-Cr composites were studied by nanoindentation. Arrays of
indents were placed over large areas of the samples resulting in datasets
consisting of several hundred measurements of Young's modulus and hardness at
varying indentation depths. The unsupervised learning technique, Gaussian
mixture model, was employed to analyze the data, which helped to determine the
number of "mechanical phases" and the respective mechanical properties.
Additionally, a cross-validation approach was introduced to infer whether the
data quantity was adequate and to suggest the amount of data required for
reliable predictions -- one of the often encountered but difficult to resolve
issues in machine learning of materials science problems.
- Abstract(参考訳): 本研究では,Cu-Cr複合材料をナノインデンテーションにより研究した。
試料の広い領域に多数のインデントが配置され、結果として数百のヤング率と様々なインデント深さの硬さの測定結果が得られた。
教師なし学習手法であるガウス混合モデルを用いてデータを解析し、「機械的位相」の数とそれぞれの機械的特性を決定するのに役立った。
さらに、データ量が適切かどうかを判断し、信頼できる予測に必要なデータ量を提案するために、クロスバリデーションアプローチが導入された。
関連論文リスト
- Physical Consistency Bridges Heterogeneous Data in Molecular Multi-Task Learning [79.75718786477638]
我々は、それらを接続する物理法則が存在する分子的タスクの専門性を生かし、整合性トレーニングアプローチを設計する。
より正確なエネルギーデータにより、構造予測の精度が向上することを示した。
また、整合性トレーニングは、構造予測を改善するために、力と非平衡構造データを直接活用できることがわかった。
論文 参考訳(メタデータ) (2024-10-14T03:11:33Z) - Machine learning meets mass spectrometry: a focused perspective [0.0]
質量分析法 (Mass Spectrometry) は、医学、生命科学、化学、工業製品の品質管理などの分野で広く用いられている方法である。
いくつかの質量分析技術の主な特徴の1つは、広範囲のキャラクタリゼーションレベルと、測定毎に生成される大量のデータである。
機械学習の手法の開発によって、これらのデータの可能性を解き放つ機会が生まれ、これまでアクセス不能だった発見が可能になる。
論文 参考訳(メタデータ) (2024-06-27T14:18:23Z) - Data-Error Scaling in Machine Learning on Natural Discrete Combinatorial Mutation-prone Sets: Case Studies on Peptides and Small Molecules [0.0]
本研究では機械学習(ML)モデルにおけるデータエラースケーリングの傾向について検討する。
典型的なデータエラースケーリングとは対照的に,学習中に不連続な単調相転移がみられた。
学習曲線を正規化するための代替戦略とミュータントに基づくシャッフルの概念を提案する。
論文 参考訳(メタデータ) (2024-05-08T16:04:50Z) - Macroscale fracture surface segmentation via semi-supervised learning considering the structural similarity [1.3654846342364308]
セグメンテーション能力に対する構造的類似性の影響を分析するために、3つのデータセットが作成された。
半教師あり学習のための弱強整合正則化を実装した。
提案手法はトレーニングに必要なラベル付き画像の数を6。
論文 参考訳(メタデータ) (2024-03-27T08:21:41Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳(メタデータ) (2024-03-02T00:56:05Z) - 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) - 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) - Analogical discovery of disordered perovskite oxides by crystal
structure information hidden in unsupervised material fingerprints [1.7883499160092873]
教師なしのディープラーニング戦略は,ペロブスカイト成形性および基礎となる結晶構造情報を埋め込んだ乱れた材料の指紋を見つけることができることを示す。
この現象は実験組成の結晶対称性を予測し、教師付き機械学習(ML)アルゴリズムよりも優れている。
研究されていないペロブスカイトの探索空間は、実験データを用いたMLモデルと自動化Webマイニングツールを用いて60,000個の実現可能な化合物から94%の成功率でスクリーニングされる。
論文 参考訳(メタデータ) (2021-05-25T12:25:53Z) - Unsupervised machine learning of topological phase transitions from
experimental data [52.77024349608834]
超低温原子からの実験データに教師なし機械学習技術を適用する。
我々は、完全にバイアスのない方法で、ハルダンモデルの位相位相図を得る。
我々の研究は、複雑な多体系における新しいエキゾチック位相の教師なし検出のためのベンチマークを提供する。
論文 参考訳(メタデータ) (2021-01-14T16:38:21Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳(メタデータ) (2020-04-30T20:42:17Z) - Dropout: Explicit Forms and Capacity Control [57.36692251815882]
各種機械学習問題におけるドロップアウトによるキャパシティ制御について検討する。
ディープラーニングでは、ドロップアウトによるデータ依存型正規化器が、基礎となるディープニューラルネットワークのクラスであるRademacherの複雑さを直接制御していることを示す。
MovieLens, MNIST, Fashion-MNISTなどの実世界のデータセットに関する理論的知見を評価する。
論文 参考訳(メタデータ) (2020-03-06T19:10:15Z)
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。