論文の概要: Multi-modal Machine Learning Analysis of X-ray Absorption Near-Edge Spectra and Pair Distribution Functions: Performance and Interpretability towards Experimental Design
- arxiv url: http://arxiv.org/abs/2410.17467v1
- Date: Tue, 22 Oct 2024 22:49:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-24 13:54:44.245488
- Title: Multi-modal Machine Learning Analysis of X-ray Absorption Near-Edge Spectra and Pair Distribution Functions: Performance and Interpretability towards Experimental Design
- Title(参考訳): X線吸収近傍スペクトルとペア分布関数のマルチモーダル機械学習解析:実験設計における性能と解釈可能性
- Authors: Tanaporn Na Narong, Zoe N. Zachko, Steven B. Torrisi, Simon J. L. Billinge,
- Abstract要約: 我々はX線吸収近接スペクトル(XANES)と原子対分布関数(PDF)からの情報を組み合わせて、遷移金属酸化物の局所構造と化学情報を取り出す。
具体的には, XANES, PDF, およびこれらを併用したランダム森林モデルを用いて, 遷移金属陽イオンの電荷(酸化)状態, 配位数, 平均近傍結合長の抽出を行った。
XANESのみのモデルは全てのタスクにおいてPDFのみのモデルよりも優れており、XANESからの情報は2つの入力が組み合わされたときに支配されることが多い。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: We used off-the-shelf interpretable ML techniques to combine information from multiple heterogeneous spectra: X-ray absorption near-edge spectra (XANES) and atomic pair distribution functions (PDFs), to extract information about local structure and chemistry of transition metal oxides. This approach enabled us to analyze the relative contributions of the different spectra to different prediction tasks. Specifically, we trained random forest models on XANES, PDF, and both of them combined, to extract charge (oxidation) state, coordination number, and mean nearest-neighbor bond length of transition metal cations in oxides. We find that XANES-only models tend to outperform the PDF-only models for all the tasks, and information from XANES often dominated when the two inputs were combined. This was even true for structural tasks where we might expect PDF to dominate. However, the performance gap closes when we used species-specific differential PDFs (dPDFs) as the inputs instead of total PDFs. Our results highlight that XANES contains rich structural information and may be further developed as a structural probe. Our interpretable, multimodal approach is quick and easy to implement when suitable structural and spectroscopic databases are available. This approach provides valuable insights into the relative strengths of different modalities for a practical scientific goal, guiding researchers in their experiment design tasks such as deciding when it is useful to combine complementary techniques in a scientific investigation.
- Abstract(参考訳): X線吸収近縁スペクトル (XANES) と原子対分布関数 (PDFs) という異種スペクトルの情報を組み合わせて, 遷移金属酸化物の局所構造と化学情報を取り出す。
このアプローチにより、異なるスペクトルの相対的寄与を異なる予測タスクに分析することができる。
具体的には, XANES, PDF, およびこれらを併用したランダム森林モデルを用いて, 遷移金属陽イオンの電荷(酸化)状態, 配位数, 平均近傍結合長の抽出を行った。
XANES のみのモデルは全てのタスクにおいて PDF のみのモデルよりも優れており、XANES からの情報は2つの入力が組み合わされたときに支配されることが多い。
これはPDFが支配的な構造的なタスクにも当てはまりました。
しかし, 種別差分PDF(dPDF)を全PDFではなく入力として用いると, 性能差は閉じる。
以上の結果から,XANESには豊富な構造情報が含まれており,構造プローブとしてさらに発展する可能性が示唆された。
我々の解釈可能なマルチモーダルなアプローチは、適切な構造的および分光的データベースが利用可能であれば、迅速に実装できる。
このアプローチは、科学的目的のために異なるモダリティの相対的な強度に関する貴重な洞察を与え、科学的研究において補完的なテクニックを組み合わせるのがいつ有用かを決めるなど、実験設計タスクにおいて研究者を導く。
関連論文リスト
- Artificial Intelligence in Spectroscopy: Advancing Chemistry from Prediction to Generation and Beyond [38.32974480709081]
機械学習(ML)と人工知能(AI)の急速な出現は、化学に大きな変革をもたらした。
分光・分光データへのこれらの手法の適用は、分光機械学習(SpectraML)と呼ばれるが、いまだに研究が進んでいない。
我々はSpectraMLの統一的なレビューを行い、フォワードタスクと逆タスクの両方に対する最先端のアプローチを体系的に検証する。
論文 参考訳(メタデータ) (2025-02-14T04:07:25Z) - DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
DiffMSは式制限エンコーダ-デコーダ生成ネットワークである。
我々は、潜伏埋め込みと分子構造を橋渡しする頑健なデコーダを開発する。
実験の結果、DiffMS は $textitde novo$ 分子生成で既存のモデルより優れていることが示された。
論文 参考訳(メタデータ) (2025-02-13T18:29:48Z) - Conditional Distribution Quantization in Machine Learning [83.54039134248231]
条件予測 mathbbE(Y Mid X) はしばしば、マルチモーダル条件分布の複雑さを捉えることに失敗する(Y Mid X)
我々はn点条件量子化(n-point Conditional Quantizations)-勾配降下により学習可能なXの関数写像--近似数学L(Y mid X)-を提案する。
論文 参考訳(メタデータ) (2025-02-11T00:28:24Z) - A Universal Deep Learning Framework for Materials X-ray Absorption Spectra [0.6291443816903801]
X線吸収分光法(XAS)は、吸収する原子の局所的な化学的環境を調べるための強力な特徴付け技術である。
我々は、XAS予測のための一連の伝達学習アプローチを含むフレームワークを提案し、それぞれが精度と効率の向上に寄与する。
提案手法は,XASモデリングのスループットを第1原理シミュレーションに比べて桁違いに向上させ,より広い範囲の要素に対するXAS予測に拡張可能である。
論文 参考訳(メタデータ) (2024-09-29T04:41:10Z) - Unlocking Potential Binders: Multimodal Pretraining DEL-Fusion for Denoising DNA-Encoded Libraries [51.72836644350993]
マルチモーダルプレトレーニング DEL-Fusion Model (MPDF)
我々は,異なる複合表現とそれらのテキスト記述の対比対象を適用した事前学習タスクを開発する。
本稿では, 原子, 分子, 分子レベルでの複合情報をアマルガメートする新しいDEL融合フレームワークを提案する。
論文 参考訳(メタデータ) (2024-09-07T17:32:21Z) - Decoding Structure-Spectrum Relationships with Physically Organized
Latent Spaces [6.36075035468233]
構造スペクトル関係の発見のための半教師付き機械学習手法を開発し,実証した。
本手法は,個々の構造記述子とスペクトル傾向の1対1マッピングを構成する。
RankAAE法は連続的かつ解釈可能な潜在空間を生成し、各次元は個々の構造記述子を追跡することができる。
論文 参考訳(メタデータ) (2023-01-11T21:30:22Z) - A probabilistic deep learning approach to automate the interpretation of
multi-phase diffraction spectra [4.240899165468488]
シミュレーション回折スペクトルで訓練されたアンサンブル畳み込みニューラルネットワークを開発し、複素多相混合を同定する。
シミュレーションおよび実験的に測定された回折スペクトルをベンチマークし, これまでに報告した手法よりも精度が優れていることを示す。
論文 参考訳(メタデータ) (2021-03-30T20:13:01Z) - Alchemy: A structured task distribution for meta-reinforcement learning [52.75769317355963]
本稿では,構造的リッチネスと構造的透明性を組み合わせたメタRL研究のための新しいベンチマークを提案する。
Alchemyは3Dビデオゲームで、エピソードからエピソードまで手続き的に再サンプリングされる潜伏した因果構造を含んでいる。
本稿では,アルケミーの強力なRL剤について検討し,その1つについて詳細な分析を行った。
論文 参考訳(メタデータ) (2021-02-04T23:40:44Z) - Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。
MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。
ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。
本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
論文 参考訳(メタデータ) (2020-10-24T08:50:26Z) - Spectral Analysis Network for Deep Representation Learning and Image
Clustering [53.415803942270685]
本稿ではスペクトル分析に基づく教師なし深層表現学習のための新しいネットワーク構造を提案する。
パッチレベルで画像間の局所的な類似性を識別できるため、閉塞に対してより堅牢である。
クラスタリングに親しみやすい表現を学習し、データサンプル間の深い相関を明らかにすることができる。
論文 参考訳(メタデータ) (2020-09-11T05:07:15Z)
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。