論文の概要: Deep learning robotics using self-supervised spatial differentiation drive autonomous contact-based semiconductor characterization
- arxiv url: http://arxiv.org/abs/2411.09892v1
- Date: Fri, 15 Nov 2024 02:36:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-18 15:36:59.422474
- Title: Deep learning robotics using self-supervised spatial differentiation drive autonomous contact-based semiconductor characterization
- Title（参考訳）: 自己教師付き空間微分駆動型コンタクトベース半導体による深層学習ロボティクス
- Authors: Alexander E. Siemenn, Basita Das, Kangyu Ji, Fang Sheng, Tonio Buonassisi,
- Abstract要約: 空間的に異なる損失関数を持つ自己教師型畳み込みニューラルネットワークを提案する。
このネットワークは、既存のモデルと比較して、有効なポーズ生成を20.0%改善する。
我々は,3,025個の予測ポーズで光伝導性を特徴付ける4自由度ロボットを駆動することで,ネットワークの性能を実証する。
- 参考スコア（独自算出の注目度）: 40.361306070887366
- License:
- Abstract: Integrating autonomous contact-based robotic characterization into self-driving laboratories can enhance measurement quality, reliability, and throughput. While deep learning models support robust autonomy, current methods lack pixel-precision positioning and require extensive labeled data. To overcome these challenges, we propose a self-supervised convolutional neural network with a spatially differentiable loss function, incorporating shape priors to refine predictions of optimal robot contact poses for semiconductor characterization. This network improves valid pose generation by 20.0%, relative to existing models. We demonstrate our network's performance by driving a 4-degree-of-freedom robot to characterize photoconductivity at 3,025 predicted poses across a gradient of perovskite compositions, achieving throughputs over 125 measurements per hour. Spatially mapping photoconductivity onto each drop-casted film reveals regions of inhomogeneity. With this self-supervised deep learning-driven robotic system, we enable high-precision and reliable automation of contact-based characterization techniques at high throughputs, thereby allowing the measurement of previously inaccessible yet important semiconductor properties for self-driving laboratories.
- Abstract（参考訳）: 自律的なコンタクトベースのロボットキャラクタリゼーションを自動運転研究所に統合することで、測定品質、信頼性、スループットを向上させることができる。
ディープラーニングモデルは堅牢な自律性をサポートするが、現在の方法はピクセル精度の位置決めを欠き、広範なラベル付きデータを必要とする。
これらの課題を克服するために,半導体キャラクタリゼーションのための最適なロボット接触ポーズの予測を洗練させるために,形状を組み込んだ空間的に異なる損失関数を持つ自己教師型畳み込みニューラルネットワークを提案する。
このネットワークは、既存のモデルと比較して、有効なポーズ生成を20.0%改善する。
我々は,4自由度ロボットを駆動し,ペロブスカイト組成の勾配を横切る3,025個のポーズで光伝導性を推定し,毎時125回以上のスループットを実現することにより,ネットワークの性能を実証した。
各ドロップキャストフィルムに空間的に光伝導度をマッピングすると、不均一な領域が明らかになる。
この自己教師型深層学習駆動型ロボットシステムにより、高精度で信頼性の高いコンタクトベースキャラクタリゼーション技術を高いスループットで自動化し、これまでアクセス不能であった、かつ重要な半導体特性を自動運転研究所で測定することが可能となる。
関連論文リスト
- Enhancing Apparent Personality Trait Analysis with Cross-Modal Embeddings [0.5461938536945723]
本稿では,ショートビデオ記録で訓練した人格特性予測のために,シームズ拡張を用いたマルチモーダルディープニューラルネットワークを提案する。
分析されたデータセットの高度に集中したターゲット分布のため、第3桁の変更は関連している。
論文 参考訳（メタデータ） (2024-05-06T20:51:28Z) - Learning-based adaption of robotic friction models [48.453527255659296]
我々は、可能な限り少ないデータを用いて、既存の摩擦モデルを新しいダイナミクスに適用するための新しいアプローチを導入する。
提案する推定器は,従来のモデルベースアプローチとベースニューラルネットワークを著しく上回る性能を示した。
本手法はトレーニング中に外部負荷を伴うデータに依存しないため,外部トルクセンサは不要である。
論文 参考訳（メタデータ） (2023-10-25T14:50:15Z) - Intelligent machines work in unstructured environments by differential
neuromorphic computing [20.05765768946624]
本稿では,メムリスタに基づく微分ニューロモルフィック計算,知覚信号処理,知能機械の学習方法を提案する。
提案手法は, メムリスタの固有多状態特性を利用して, 優れたスケーラビリティと一般化を示す。
ヒトの低レベル知覚機構の本質的な性質を模倣することにより、電子記憶型ニューロモルフィック回路をベースとした手法は、多様なセンシング技術に適応する可能性を示している。
論文 参考訳（メタデータ） (2023-09-16T01:45:13Z) - Neuromorphic analog circuits for robust on-chip always-on learning in
spiking neural networks [1.9809266426888898]
混合信号ニューロモルフィックシステムは、極端コンピューティングタスクを解決するための有望なソリューションである。
彼らのスパイクニューラルネットワーク回路は、連続的にセンサーデータをオンラインに処理するために最適化されている。
我々は,短期的アナログ力学と長期的三状態離散化機構を備えたオンチップ学習回路を設計する。
論文 参考訳（メタデータ） (2023-07-12T11:14:25Z) - Bridging Active Exploration and Uncertainty-Aware Deployment Using
Probabilistic Ensemble Neural Network Dynamics [11.946807588018595]
本稿では,活発な探索と不確実性を考慮した展開を橋渡しするモデルベース強化学習フレームワークを提案する。
探索と展開の対立する2つのタスクは、最先端のサンプリングベースのMPCによって最適化されている。
自動運転車と車輪付きロボットの両方で実験を行い、探索と展開の両方に有望な結果を示します。
論文 参考訳（メタデータ） (2023-05-20T17:20:12Z) - Robotic Navigation Autonomy for Subretinal Injection via Intelligent
Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。
提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。
ブタ前眼の精度と再現性について実験を行った。
論文 参考訳（メタデータ） (2023-01-17T21:41:21Z) - A Spatio-Temporal Multilayer Perceptron for Gesture Recognition [70.34489104710366]
自律走行車におけるジェスチャー認識のための多層状態重み付きパーセプトロンを提案する。
提案手法の有望な性能を示すため,TCGおよびDrive&Actデータセットの評価を行った。
私たちは、そのリアルタイム能力と安定した実行を示すために、モデルを自動運転車にデプロイします。
論文 参考訳（メタデータ） (2022-04-25T08:42:47Z) - Cognitive architecture aided by working-memory for self-supervised
multi-modal humans recognition [54.749127627191655]
人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。
ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。
1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
論文 参考訳（メタデータ） (2021-03-16T13:50:24Z) - Where is my hand? Deep hand segmentation for visual self-recognition in
humanoid robots [129.46920552019247]
本稿では、画像からロボットの手を切り離すための畳み込みニューラルネットワーク(CNN)を提案する。
ヒューマノイドロボットVizzyの手のセグメンテーションのために,Mask-RCNNネットワークを微調整した。
論文 参考訳（メタデータ） (2021-02-09T10:34:32Z) - Intrinsic Motivation and Episodic Memories for Robot Exploration of
High-Dimensional Sensory Spaces [0.0]
本研究では,マイクロファーミングロボットの画像センサのための好奇心駆動型目標指向探索行動を生成するアーキテクチャを提案する。
画像から低次元特徴をオフラインで教師なしで学習するためのディープニューラルネットワークと、システムの逆および前方運動学を表す浅層ニューラルネットワークのオンライン学習の組み合わせが用いられている。
人工好奇心システムは、予め定義された目標のセットに関心値を割り当て、学習の進捗を最大化すると予想される目標への探索を促進する。
論文 参考訳（メタデータ） (2020-01-07T11:39:20Z)
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。