論文の概要: Machine Learning for Identifying Grain Boundaries in Scanning Electron Microscopy (SEM) Images of Nanoparticle Superlattices

• arxiv url: http://arxiv.org/abs/2501.04172v1
• Date: Tue, 07 Jan 2025 22:51:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-09 14:54:52.346908
• Title: Machine Learning for Identifying Grain Boundaries in Scanning Electron Microscopy (SEM) Images of Nanoparticle Superlattices
• Title（参考訳）: ナノ粒子超格子の走査電子顕微鏡(SEM)画像における粒界同定のための機械学習
• Authors: Aanish Paruchuri, Carl Thrasher, A. J. Hart, Robert Macfarlane, Arthi Jayaraman,
• Abstract要約: ナノ粒子超格子の走査型電子顕微鏡(SEM)画像における粒界分割の自動化のための機械学習ワークフローを提案する。 我々は、生のピクセルデータをクラスタリングのための超格子配向の説明可能な数値表現に変換する。 この効率性により、ワークフローは大規模なデータセットにスケーラブルになり、データ駆動モデルを意思決定プロセスに統合するための貴重なツールになります。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Nanoparticle superlattices consisting of ordered arrangements of nanoparticles exhibit unique optical, magnetic, and electronic properties arising from nanoparticle characteristics as well as their collective behaviors. Understanding how processing conditions influence the nanoscale arrangement and microstructure is critical for engineering materials with desired macroscopic properties. Microstructural features such as grain boundaries, lattice defects, and pores significantly affect these properties but are challenging to quantify using traditional manual analyses as they are labor-intensive and prone to errors. In this work, we present a machine learning workflow for automating grain segmentation in scanning electron microscopy (SEM) images of nanoparticle superlattices. This workflow integrates signal processing techniques, such as Radon transforms, with unsupervised learning methods like agglomerative hierarchical clustering to identify and segment grains without requiring manually annotated data. In the workflow we transform the raw pixel data into explainable numerical representation of superlattice orientations for clustering. Benchmarking results demonstrate the workflow's robustness against noisy images and edge cases, with a processing speed of four images per minute on standard computational hardware. This efficiency makes the workflow scalable to large datasets and makes it a valuable tool for integrating data-driven models into decision-making processes for material design and analysis. For example, one can use this workflow to quantify grain size distributions at varying processing conditions like temperature and pressure and using that knowledge adjust processing conditions to achieve desired superlattice orientations and grain sizes.
• Abstract（参考訳）: ナノ粒子の秩序な配列からなるナノ粒子超格子は、ナノ粒子の特性とそれらの集団的挙動から生じるユニークな光学的、磁気的、電子的特性を示す。 加工条件がナノスケールの配列や微細構造にどのように影響するかを理解することは、所望のマクロ特性を持つ工学材料にとって重要である。 粒界, 格子欠陥, 細孔などの微構造的特徴はこれらの特性に大きな影響を及ぼすが, 労働集約的であり, 誤りを生じやすいため, 従来の手動分析を用いて定量化することは困難である。 本研究では,ナノ粒子超格子の走査型電子顕微鏡(SEM)画像において,粒子分割を自動化する機械学習ワークフローを提案する。 このワークフローは、ラドン変換のような信号処理技術と、アグリメティブ階層的クラスタリングのような教師なしの学習手法を統合し、手動で注釈付きデータを必要としない粒の識別と分割を行う。 ワークフローでは、生のピクセルデータをクラスタリングのための超格子配向の説明可能な数値表現に変換する。 ベンチマークの結果は、標準的な計算ハードウェア上で毎分4イメージの処理速度で、ノイズの多い画像やエッジケースに対するワークフローの堅牢性を示している。 この効率性により、ワークフローは大規模データセットにスケーラブルになり、データ駆動モデルを材料設計と分析のための意思決定プロセスに統合するための貴重なツールになる。 例えば、このワークフローを使用して、温度や圧力といった様々な処理条件で粒度分布を定量化し、その知識を使って処理条件を調整することで、望ましい超格子配向や粒度を達成することができる。

関連論文リスト

• Learning and Controlling Silicon Dopant Transitions in Graphene using Scanning Transmission Electron Microscopy [58.51812955462815]
  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。
  論文  参考訳（メタデータ） (2023-11-21T21:51:00Z)
• Recursive Detection and Analysis of Nanoparticles in Scanning Electron Microscopy Images [0.0]
  本研究では,走査型電子顕微鏡(SEM)画像中のナノ粒子の精密検出と包括的解析を目的とした計算フレームワークを提案する。 このフレームワークはPythonの堅牢な画像処理機能を採用しており、特にOpenCV、SciPy、Scikit-Imageといったライブラリを利用している。 SEMナノ粒子のデータセットから得られた5つの異なるテスト画像から粒子を検出する精度は97%だ。
  論文  参考訳（メタデータ） (2023-08-17T02:08:05Z)
• Automated Grain Boundary (GB) Segmentation and Microstructural Analysis in 347H Stainless Steel Using Deep Learning and Multimodal Microscopy [2.0445155106382797]
  オーステナイト347Hステンレス鋼は、極端な運転条件に要求される優れた機械的特性と耐食性を提供する。 CNNベースのディープラーニングモデルは、材料マイクログラフから機能を自動で検出する強力な技術である。 走査型電子顕微鏡(SEM)による347Hステンレス鋼のトレーニングデータと電子後方散乱(EBSD)マイクログラフを,粒界検出のためのピクセルワイドラベルとして組み合わせた。
  論文  参考訳（メタデータ） (2023-05-12T22:49:36Z)
• Retrieving space-dependent polarization transformations via near-optimal quantum process tomography [55.41644538483948]
  トモグラフィー問題に対する遺伝的および機械学習アプローチの適用について検討する。 ニューラルネットワークベースのスキームは、リアルタイムにキャラクタリゼーションを必要とするアプリケーションにおいて、重要なスピードアップを提供する。 これらの結果は、より一般的な量子プロセスにおけるトモグラフィーアプローチの最適化の基礎となることを期待する。
  論文  参考訳（メタデータ） (2022-10-27T11:37:14Z)
• Automated Classification of Nanoparticles with Various Ultrastructures and Sizes [0.6927055673104933]
  走査型電子顕微鏡画像の小さなデータセットから学習したナノ粒子計測と分類のためのディープラーニングに基づく手法を提案する。 本手法は, 局所化, ナノ粒子の検出, 分類, 微細構造の分類の2段階からなる。 画像処理や様々な画像生成ニューラルネットワークを用いて合成画像を生成することで、両方の段階で結果を改善することができることを示す。
  論文  参考訳（メタデータ） (2022-07-28T11:31:43Z)
• The Preliminary Results on Analysis of TAIGA-IACT Images Using Convolutional Neural Networks [68.8204255655161]
  本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。 The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
  論文  参考訳（メタデータ） (2021-12-19T15:17:20Z)
• Grain segmentation in atomistic simulations using orientation-based iterative self-organizing data analysis [0.0]
  教師なし機械学習アルゴリズムを用いて、原子論的な構成の粒界分割法を提案する。 提案手法はOrisodataアルゴリズムと呼ばれ,反復的な自己組織化データ解析手法に基づいて,向き空間で動作するように修正されている。 その結果,Orisodataアルゴリズムは変形双対と低角粒界で分離された領域を正確に同定できることがわかった。
  論文  参考訳（メタデータ） (2021-12-06T20:44:39Z)
• 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)
• Improving the Segmentation of Scanning Probe Microscope Images using Convolutional Neural Networks [0.9236074230806579]
  有機溶媒からの沈着によりシリコン表面に生成した金ナノ粒子の2次元集合体像の分画プロトコルを開発した。 溶媒の蒸発は粒子の極端に平衡な自己組織化を駆動し、様々なナノパターンや微細構造パターンを生み出す。 U-Net畳み込みニューラルネットワークを用いたセグメンテーション戦略が従来の自動アプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-27T20:49:59Z)
• 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)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。