論文の概要: Exploring structure diversity in atomic resolution microscopy with graph neural networks
- arxiv url: http://arxiv.org/abs/2410.17631v1
- Date: Wed, 23 Oct 2024 07:48:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-24 13:54:25.749312
- Title: Exploring structure diversity in atomic resolution microscopy with graph neural networks
- Title（参考訳）: グラフニューラルネットワークを用いた原子分解能顕微鏡における構造多様性の探索
- Authors: Zheng Luo, Ming Feng, Zijian Gao, Jinyang Yu, Liang Hu, Tao Wang, Shenao Xue, Shen Zhou, Fangping Ouyang, Dawei Feng, Kele Xu, Shanshan Wang,
- Abstract要約: ディープラーニングは、構造多様性を迅速で正確でインテリジェントな方法で探求するための強力なツールです。
この作業は、迅速で正確でインテリジェントな方法で構造多様性を探求する強力なツールを提供する。
- 参考スコア（独自算出の注目度）: 18.903519247639355
- License:
- Abstract: The emergence of deep learning (DL) has provided great opportunities for the high-throughput analysis of atomic-resolution micrographs. However, the DL models trained by image patches in fixed size generally lack efficiency and flexibility when processing micrographs containing diversified atomic configurations. Herein, inspired by the similarity between the atomic structures and graphs, we describe a few-shot learning framework based on an equivariant graph neural network (EGNN) to analyze a library of atomic structures (e.g., vacancies, phases, grain boundaries, doping, etc.), showing significantly promoted robustness and three orders of magnitude reduced computing parameters compared to the image-driven DL models, which is especially evident for those aggregated vacancy lines with flexible lattice distortion. Besides, the intuitiveness of graphs enables quantitative and straightforward extraction of the atomic-scale structural features in batches, thus statistically unveiling the self-assembly dynamics of vacancy lines under electron beam irradiation. A versatile model toolkit is established by integrating EGNN sub-models for single structure recognition to process images involving varied configurations in the form of a task chain, leading to the discovery of novel doping configurations with superior electrocatalytic properties for hydrogen evolution reactions. This work provides a powerful tool to explore structure diversity in a fast, accurate, and intelligent manner.
- Abstract（参考訳）: 深層学習(DL)の出現は、原子分解能マイクログラフの高スループット解析に大きな機会をもたらした。
しかし、画像パッチによって訓練されたDLモデルは、多彩な原子配置を含むマイクログラフを処理する際に、一般的に効率と柔軟性を欠いている。
ここでは, 原子構造とグラフの類似性に着想を得て, 原子構造のライブラリ(例えば, 空隙, 相, 粒界, ドーピングなど)を解析するための, 同変グラフニューラルネットワーク(EGNN)に基づく数ショット学習フレームワークについて述べる。
さらにグラフの直感性は、バッチにおける原子スケールの構造的特徴の定量的かつ直接的な抽出を可能にし、電子線照射下での空き線の自己組立力学を統計的に明らかにする。
単一構造認識のためのEGNNサブモデルを統合し、タスクチェーンの形で様々な構成を含む画像を処理することにより、水素進化反応に優れた電気触媒特性を持つ新しいドーピング構成を発見できる多用途モデルツールキットが確立されている。
この作業は、迅速で正確でインテリジェントな方法で構造多様性を探求する強力なツールを提供する。
関連論文リスト
- Learning Ordering in Crystalline Materials with Symmetry-Aware Graph Neural Networks [0.836362570897926]
グラフィカルニューラルネットワーク(GCNN)は、結晶材料の化学空間をスクリーニングする機械学習のワークホースとなっている。
我々は、多成分材料の秩序依存エネルギーを捉えるために、様々なニューラルネットワークアーキテクチャーをベンチマークする。
論文 参考訳（メタデータ） (2024-09-20T18:53:48Z) - Vision HgNN: An Electron-Micrograph is Worth Hypergraph of Hypernodes [0.0]
電子マイクログラフにおける複雑な関係をより良くモデル化するためのハイパーグラフニューラルネットワークバックボーンアーキテクチャを提案する。
コスト効率のよいGPUハードウェアを利用することで、提案するフレームワークは一般的なベースラインを上回っます。
論文 参考訳（メタデータ） (2024-08-21T05:36:53Z) - Invariant Discovery of Features Across Multiple Length Scales: Applications in Microscopy and Autonomous Materials Characterization [3.386918190302773]
可変オートエンコーダ(VAE)は、画像データの変動の基本的な要因を特定する強力なツールとして登場した。
異なる長さスケールでサンプル化した記述子を用いて,VAEの漸進的トレーニングに基づいて,SI-VAEアプローチを導入する。
論文 参考訳（メタデータ） (2024-08-01T01:48:46Z) - A Generative Machine Learning Model for Material Microstructure 3D
Reconstruction and Performance Evaluation [4.169915659794567]
2次元から3次元への次元展開は、現在の技術的観点から非常に難しい逆問題と見なされている。
U-netのマルチスケール特性とGANの生成能力を統合する新しい生成モデルが提案されている。
さらに、画像正規化損失とワッサーシュタイン距離損失を組み合わせることにより、モデルの精度をさらに向上する。
論文 参考訳（メタデータ） (2024-02-24T13:42:34Z) - Atomic and Subgraph-aware Bilateral Aggregation for Molecular
Representation Learning [57.670845619155195]
我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。
ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。
本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
論文 参考訳（メタデータ） (2023-05-22T00:56:00Z) - Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。
既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。
本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文 参考訳（メタデータ） (2022-07-06T10:01:46Z) - Disentangling multiple scattering with deep learning: application to
strain mapping from electron diffraction patterns [48.53244254413104]
我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。
結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。
シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
論文 参考訳（メタデータ） (2022-02-01T03:53:39Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳（メタデータ） (2021-02-20T03:17:58Z) - Hierarchical, rotation-equivariant neural networks to select structural
models of protein complexes [6.092214762701847]
タンパク質複合体の正確なモデルを特定するために,全ての原子の3次元位置から直接学習する機械学習手法を提案する。
我々のネットワークは、考えられるモデルの大きな集合のうち、正確な構造モデルの同定を大幅に改善する。
論文 参考訳（メタデータ） (2020-06-05T20:17:12Z) - Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。
MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。
我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
論文 参考訳（メタデータ） (2020-05-17T04:46:07Z) - Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。
そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。
画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
論文 参考訳（メタデータ） (2020-02-18T17:58:07Z)
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。