論文の概要: Learning and Controlling Silicon Dopant Transitions in Graphene using Scanning Transmission Electron Microscopy

• arxiv url: http://arxiv.org/abs/2311.17894v1
• Date: Tue, 21 Nov 2023 21:51:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-03 13:09:15.341003
• Title: Learning and Controlling Silicon Dopant Transitions in Graphene using Scanning Transmission Electron Microscopy
• Title（参考訳）: 走査透過電子顕微鏡によるグラフェン中のシリコンドーパント転移の学習と制御
• Authors: Max Schwarzer, Jesse Farebrother, Joshua Greaves, Ekin Dogus Cubuk, Rishabh Agarwal, Aaron Courville, Marc G. Bellemare, Sergei Kalinin, Igor Mordatch, Pablo Samuel Castro, Kevin M. Roccapriore
• Abstract要約: 単層炭素原子上のシリコン原子の遷移ダイナミクスを機械学習で決定する手法を提案する。 データサンプルは、ニューラルネットワークをトレーニングして遷移確率を予測するために、シンボリック表現を生成するために処理され、フィルタリングされる。 これらの学習された遷移ダイナミクスを利用すれば、格子全体に1つのシリコン原子を誘導し、あらかじめ決定された目標目的地へと導くことができる。
• 参考スコア（独自算出の注目度）: 58.51812955462815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a machine learning approach to determine the transition dynamics of silicon atoms on a single layer of carbon atoms, when stimulated by the electron beam of a scanning transmission electron microscope (STEM). Our method is data-centric, leveraging data collected on a STEM. The data samples are processed and filtered to produce symbolic representations, which we use to train a neural network to predict transition probabilities. These learned transition dynamics are then leveraged to guide a single silicon atom throughout the lattice to pre-determined target destinations. We present empirical analyses that demonstrate the efficacy and generality of our approach.
• Abstract（参考訳）: 走査透過電子顕微鏡(STEM)の電子ビームにより励起された場合, 炭素原子の単一層上でのシリコン原子の遷移ダイナミクスを機械学習で決定する手法を提案する。 我々の手法はデータ中心であり、STEMで収集されたデータを活用する。 データサンプルは、ニューラルネットワークをトレーニングして遷移確率を予測するために、シンボリック表現を生成するために処理され、フィルタリングされる。 これらの学習された遷移ダイナミクスは、格子全体に単一のシリコン原子を予め決められた目標先に導くために利用される。 提案手法の有効性と汎用性を示す実証分析を行う。

関連論文リスト

• Quantum State Transfer in a Magnetic Atoms Chain Using a Scanning Tunneling Microscope [44.99833362998488]
  量子スピンチェーンの電気的制御は、量子情報処理に関連する技術での可能性から、ここ数年で際立った目標となった。 走査トンネル顕微鏡(STM)による電場を利用したS=1/2$チタン原子鎖における制御量子状態伝達の実現可能性を示す。
  論文  参考訳（メタデータ） (2024-08-13T14:45:46Z)
• Learning symmetry-protected topological order from trapped-ion experiments [0.36278044026379325]
  我々は、トラップイオン量子コンピュータによって生成された実験データを解析するために、テンソルカーネルサポートベクターマシン(TK-SVM)を用いる。 この教師なしの手法は直接解釈可能な訓練パラメータの恩恵を受け、非自明な弦順特徴化対称性保護トポロジカル位相(SPT)を識別することができる。 以上の結果から,TK-SVM法はノイズの多い実験データセットの2つの位相を識別することに成功した。
  論文  参考訳（メタデータ） (2024-08-09T12:08:59Z)
• Leveraging generative adversarial networks to create realistic scanning transmission electron microscopy images [2.5954872177280346]
  機械学習は、自律的なデータ収集と処理を通じて材料研究に革命をもたらす可能性がある。 我々は,実空間周波数情報を用いたシミュレーションデータを増大させるために,相互空間判別器を備えたサイクル生成逆数ネットワーク(CycleGAN)を用いる。 完全な畳み込みネットワーク(FCN)をトレーニングして、450万個の原子データセット内の単一原子欠陥を同定することで、我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2023-01-18T19:19:27Z)
• Transfer learning for chemically accurate interatomic neural network potentials [0.0]
  密度汎関数計算から得られたデータに基づいてネットワークパラメータを事前学習することにより、より正確なab-initioデータに基づいてトレーニングされたモデルのサンプル効率が向上することを示す。 ANI-1x および ANI-1ccx データセット上で事前訓練および微調整されたGM-NN電位を提供する。
  論文  参考訳（メタデータ） (2022-12-07T19:21:01Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Detection of Berezinskii-Kosterlitz-Thouless transition via Generative Adversarial Networks [0.0]
  システム分割の絡み合いスペクトルを用いてGAN(Geneversarative Adrial Network)を訓練する。 異なる1次元モデルでギャップのない位相遷移を同定することができる。
  論文  参考訳（メタデータ） (2021-10-11T16:19:17Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Probing the topological Anderson transition with quantum walks [48.7576911714538]
  光線形ネットワークにおける1次元量子ウォークについて考察する。 ウォーカーの確率分布を直接監視するオプションは、この光学プラットフォームを1次元トポロジカルアンダーソン転移のユニークなシグネチャの実験的観察に最適である。
  論文  参考訳（メタデータ） (2021-02-01T21:19:15Z)
• 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)
• 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。