論文の概要: Human-in-the-loop: The future of Machine Learning in Automated Electron Microscopy

• arxiv url: http://arxiv.org/abs/2310.05018v1
• Date: Sun, 8 Oct 2023 05:26:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 13:25:41.622209
• Title: Human-in-the-loop: The future of Machine Learning in Automated Electron Microscopy
• Title（参考訳）: Human-in-the-loop: 自動電子顕微鏡における機械学習の未来
• Authors: Sergei V. Kalinin, Yongtao Liu, Arpan Biswas, Gerd Duscher, Utkarsh Pratiush, Kevin Roccapriore, Maxim Ziatdinov and Rama Vasudevan
• Abstract要約: MLに基づくアクティブな実験を設計する際の考慮事項について論じる。 今後数年間の計画としては、人力による自動実験が考えられる。
• 参考スコア（独自算出の注目度）: 0.6760163180787716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning methods are progressively gaining acceptance in the electron microscopy community for de-noising, semantic segmentation, and dimensionality reduction of data post-acquisition. The introduction of the APIs by major instrument manufacturers now allows the deployment of ML workflows in microscopes, not only for data analytics but also for real-time decision-making and feedback for microscope operation. However, the number of use cases for real-time ML remains remarkably small. Here, we discuss some considerations in designing ML-based active experiments and pose that the likely strategy for the next several years will be human-in-the-loop automated experiments (hAE). In this paradigm, the ML learning agent directly controls beam position and image and spectroscopy acquisition functions, and human operator monitors experiment progression in real- and feature space of the system and tunes the policies of the ML agent to steer the experiment towards specific objectives.
• Abstract（参考訳）: 機械学習手法は、非ノイズ化、セマンティックセグメンテーション、データ取得後の次元化のための電子顕微鏡コミュニティで徐々に受け入れられている。 メジャーな機器メーカーによるAPIの導入により、データ分析だけでなく、顕微鏡操作のリアルタイム意思決定やフィードバックにもMLワークフローを顕微鏡にデプロイできるようになった。 しかし、リアルタイムMLのユースケースは依然として極めて少ない。 本稿では,mlに基づく能動実験の設計において考慮すべき事項について論じ,今後数年間の戦略がhae(human-in-the-loop automated experiment)であることを示す。 このパラダイムでは、機械学習エージェントがビームの位置と画像と分光の取得機能を直接制御し、人間のオペレーターがシステムの実空間と特徴空間における実験の進行を監視し、MLエージェントのポリシーを調整して、特定の目的に向けて実験を行う。

関連論文リスト

• MLXP: A Framework for Conducting Replicable Experiments in Python [63.37350735954699]
  MLXPはPythonをベースとした,オープンソースの,シンプルで,軽量な実験管理ツールである。 実験プロセスを最小限のオーバーヘッドで合理化し、高いレベルの実践的オーバーヘッドを確保します。
  論文  参考訳（メタデータ） (2024-02-21T14:22:20Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• Closing the loop: Autonomous experiments enabled by machine-learning-based online data analysis in synchrotron beamline environments [80.49514665620008]
  機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。 本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。 本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
  論文  参考訳（メタデータ） (2023-06-20T21:21:19Z)
• Deep Learning for Automated Experimentation in Scanning Transmission Electron Microscopy [0.0]
  機械学習(ML)は、()透過電子顕微鏡、走査(S)TEM、イメージング、分光法において、取得後のデータ解析に欠かせないものとなっている。 本稿では, 逐次データ解析とアウト・オブ・ディストリビューションドリフト効果を含む, アクティブMLへの移行に伴う課題について論じる。 これらの考察は、次世代実験におけるMLの運用を総括的に示すものである。
  論文  参考訳（メタデータ） (2023-04-04T18:01:56Z)
• Microscopy is All You Need [0.0]
  我々は、機械学習手法を開発するための有望な経路は、ドメイン固有のデプロイ可能なアルゴリズムの経路であると主張している。 これは基礎的な物理研究の恩恵を受け、ロボット工学や製造といったより複雑な自律システムのテストベッドとして機能する。
  論文  参考訳（メタデータ） (2022-10-12T18:41:40Z)
• Machine learning in bioprocess development: From promise to practice [58.720142291102135]
  機械学習(ML)アプローチのようなデータ駆動の手法は、大きな設計空間を合理的に探索する可能性が高い。 本研究の目的は,これまでのバイオプロセス開発におけるML手法の適用例を示すことである。
  論文  参考訳（メタデータ） (2022-10-04T13:48:59Z)
• Bayesian Active Learning for Scanning Probe Microscopy: from Gaussian Processes to Hypothesis Learning [0.0]
  ベイズ能動学習の基本原理と走査型プローブ顕微鏡(SPM)への応用について述べる。 これらのフレームワークは、先行データの使用、スペクトルデータに符号化された特定の機能の発見、実験中に現れる物理法則の探索を可能にする。
  論文  参考訳（メタデータ） (2022-05-30T23:01:41Z)
• Machine learning enabling high-throughput and remote operations at large-scale user facilities [0.0]
  機械学習(ML)手法は、大規模なデータセットをリアルタイムで処理し、解釈するために定期的に開発されている。 我々は、National Synchrotron Light Source II (NSLS-II)において、複数のビームラインでのオンザフライ解析のための様々なアーチティパルMLモデルを実証した。
  論文  参考訳（メタデータ） (2022-01-09T17:43:03Z)
• MAML is a Noisy Contrastive Learner [72.04430033118426]
  モデルに依存しないメタラーニング(MAML)は、今日では最も人気があり広く採用されているメタラーニングアルゴリズムの1つである。 我々は、MAMLの動作メカニズムに対する新たな視点を提供し、以下に示すように、MAMLは、教師付きコントラスト目的関数を用いたメタラーナーに類似している。 このような干渉を軽減するため, 単純だが効果的な手法であるゼロ化手法を提案する。
  論文  参考訳（メタデータ） (2021-06-29T12:52:26Z)
• Automated and Autonomous Experiment in Electron and Scanning Probe Microscopy [0.0]
  連続画像形成機構を有するイメージング手法における自動実験(AE)への主要な経路の解析を目指しています。 自動実験は一般分野の知識のより広い文脈で議論されるべきであり、実験の結果、双方が実験を通知し、増大させる。
  論文  参考訳（メタデータ） (2021-03-22T20:24:41Z)
• 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)

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。