論文の概要: Rapid detection of rare events from in situ X-ray diffraction data using machine learning

• arxiv url: http://arxiv.org/abs/2312.03989v1
• Date: Thu, 7 Dec 2023 02:14:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-08 16:28:05.700285
• Title: Rapid detection of rare events from in situ X-ray diffraction data using machine learning
• Title（参考訳）: 機械学習を用いたその場X線回折データからの希少事象の迅速検出
• Authors: Weijian Zheng, Jun-Sang Park, Peter Kenesei, Ahsan Ali, Zhengchun Liu, Ian T. Foster, Nicholas Schwarz, Rajkumar Kettimuthu, Antonino Miceli, Hemant Sharma
• Abstract要約: 高エネルギーX線回折法は、金属多結晶工学材料の3次元微細構造と関連する特性を非破壊的にマッピングすることができる。 これらの方法は、進化するミクロ構造や特性の時間とともにスナップショットを取るために、熱力学的負荷などの外部刺激と組み合わせられることが多い。 本稿では、高エネルギーX線顕微鏡データにおいて、塑性の開始を迅速に検出できる完全自動化技術を提案する。
• 参考スコア（独自算出の注目度）: 3.793863205903028
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-energy X-ray diffraction methods can non-destructively map the 3D microstructure and associated attributes of metallic polycrystalline engineering materials in their bulk form. These methods are often combined with external stimuli such as thermo-mechanical loading to take snapshots over time of the evolving microstructure and attributes. However, the extreme data volumes and the high costs of traditional data acquisition and reduction approaches pose a barrier to quickly extracting actionable insights and improving the temporal resolution of these snapshots. Here we present a fully automated technique capable of rapidly detecting the onset of plasticity in high-energy X-ray microscopy data. Our technique is computationally faster by at least 50 times than the traditional approaches and works for data sets that are up to 9 times sparser than a full data set. This new technique leverages self-supervised image representation learning and clustering to transform massive data into compact, semantic-rich representations of visually salient characteristics (e.g., peak shapes). These characteristics can be a rapid indicator of anomalous events such as changes in diffraction peak shapes. We anticipate that this technique will provide just-in-time actionable information to drive smarter experiments that effectively deploy multi-modal X-ray diffraction methods that span many decades of length scales.
• Abstract（参考訳）: 高エネルギーX線回折法は、金属多結晶工学材料の3次元微細構造と関連する特性をバルク状に非破壊的にマッピングすることができる。 これらの方法は、しばしば熱力学的負荷などの外部刺激と組み合わされ、進化する組織と属性の時間とともにスナップショットを取る。 しかし、極端なデータ量と従来のデータ取得と削減アプローチの高コストは、迅速に実行可能な洞察を抽出し、スナップショットのテンポラリな解決を改善するための障壁となる。 本稿では, 高エネルギーx線顕微鏡データにおいて, 塑性の発生を迅速に検出できる完全自動化技術を提案する。 我々の手法は従来の手法の少なくとも50倍高速であり、全データセットの9倍の間隔を持つデータセットに対して有効である。 この技術は、自己教師付き画像表現学習とクラスタリングを利用して、大量のデータを視覚的に有意な特徴(例えばピーク形状)のコンパクトで意味豊かな表現に変換する。 これらの特性は、回折ピーク形状の変化などの異常事象の迅速な指標となりうる。 この技術は、何十年もの期間にわたるマルチモーダルX線回折法を効果的に展開する、よりスマートな実験を促進するために、ジャストインタイムで実行可能な情報を提供することを期待している。

関連論文リスト

• Deep-learning real-time phase retrieval of imperfect diffraction patterns from X-ray free-electron lasers [0.0]
  本稿では,不完全な回折データに対する深層学習に基づく位相探索手法を提案する。 この方法は、シミュレーションデータに対する堅牢な位相検索を提供し、X線自由電子レーザーからの弱い信号単パルス回折データに対して良好に動作する。 高速なデータ取得に不可欠なリアルタイム画像再構成を容易にすることで、データ処理時間を著しく短縮する。
  論文  参考訳（メタデータ） (2024-09-24T06:28:25Z)
• TEAM PILOT -- Learned Feasible Extendable Set of Dynamic MRI Acquisition Trajectories [2.7719338074999547]
  本稿では,3次元ウィンドウアテンションとフレキシブルで時間的に拡張可能な獲得軌跡を用いた新しい深部圧縮型センシング手法を提案する。 本手法は既存の手法と比較してトレーニング時間と推論時間を著しく短縮する。 実データによるテストは、我々のアプローチが現在の最先端技術よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-19T13:45:13Z)
• Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
  我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。 提案手法は, 監視対象の性能を超過する。
  論文  参考訳（メタデータ） (2024-03-25T17:40:32Z)
• Slideflow: Deep Learning for Digital Histopathology with Real-Time Whole-Slide Visualization [49.62449457005743]
  われわれはSlideflowと呼ばれる病理組織学のための柔軟なディープラーニングライブラリを開発した。 デジタル病理学のための幅広い深層学習手法をサポートしている。 トレーニングされたモデルをデプロイするための、高速な全スライドインターフェースが含まれている。
  論文  参考訳（メタデータ） (2023-04-09T02:49:36Z)
• Multi-dataset Training of Transformers for Robust Action Recognition [75.5695991766902]
  動作認識のための複数のデータセットをうまく一般化することを目的として,ロバストな特徴表現の課題について検討する。 本稿では、情報損失と投影損失という2つの新しい損失項を設計した、新しいマルチデータセットトレーニングパラダイムであるMultiTrainを提案する。 本研究では,Kineetics-400,Kineetics-700,Moments-in-Time,Activitynet,Some-something-v2の5つの課題データセットに対して,本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2022-09-26T01:30:43Z)
• Deep learning at the edge enables real-time streaming ptychographic imaging [7.4083593332068975]
  プチコグラフィーのようなコヒーレントな顕微鏡技術は、ナノスケールの材料特性に革命をもたらす可能性がある。 従来のアプローチでは、高速コヒーレントイメージング実験からサンプル画像をリアルタイムで回収するのに十分ではない。 ここでは、エッジでの人工知能と高性能コンピューティングを活用して、検出器から直接最大2kHzでストリーミングされるX線写真データのリアルタイムインバージョンを可能にするワークフローを実演する。
  論文  参考訳（メタデータ） (2022-09-20T02:02:37Z)
• Tracking perovskite crystallization via deep learning-based feature detection on 2D X-ray scattering data [137.47124933818066]
  本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。 有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
  論文  参考訳（メタデータ） (2022-02-22T15:39:00Z)
• Ultrafast Focus Detection for Automated Microscopy [0.0]
  連続的に収集した電子顕微鏡画像に対する高速な焦点検出アルゴリズムを提案する。 本手法は, 従来のコンピュータビジョン技術に適応し, 様々な微細な組織学的特徴を検出する手法である。 アウト・オブ・フォーカス条件をほぼリアルタイムに検出するテストが実施されている。
  論文  参考訳（メタデータ） (2021-08-26T22:24:41Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Data-Driven Discovery of Molecular Photoswitches with Multioutput Gaussian Processes [51.17758371472664]
  フォトウィッチ可能な分子は、光によってアクセスされる2つ以上の異性体である。 本稿では、データセットキュレーションとマルチタスク学習を基盤とした、分子フォトウィッチのためのデータ駆動探索パイプラインを提案する。 提案手法は, 市販フォトウィッチ可能な分子のライブラリーをスクリーニングし, 実験的に検証した。
  論文  参考訳（メタデータ） (2020-06-28T20:59:03Z)
• Deep Non-Line-of-Sight Reconstruction [18.38481917675749]
  本稿では,再構成問題を効率的に解くために,畳み込みフィードフォワードネットワークを用いる。 本研究では,自動エンコーダアーキテクチャを設計し,一貫した画像を直接深度マップ表現にマッピングする。 筆者らのフィードフォワードネットワークは,合成データのみに基づいて訓練されているものの,SPADセンサの計測データに一般化し,モデルに基づく再構成手法と競合する結果が得られることを示した。
  論文  参考訳（メタデータ） (2020-01-24T16:05:50Z)

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。