論文の概要: Rapid analysis of point-contact Andreev reflection spectra via machine learning with adaptive data augmentation

• arxiv url: http://arxiv.org/abs/2503.10040v1
• Date: Thu, 13 Mar 2025 04:45:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:53:57.889963
• Title: Rapid analysis of point-contact Andreev reflection spectra via machine learning with adaptive data augmentation
• Title（参考訳）: 適応データ拡張を用いた機械学習による点接触アンドリーフ反射スペクトルの高速解析
• Authors: Dongik Lee, Valentin Stanev, Xiaohang Zhang, Mijeong Kang, Ichiro Takeuchi, Seunghun Lee,
• Abstract要約: 点接触アンドリーフ反射法(PCAR)測定は順序パラメータを識別するための強力なツールである。 本研究では,様々な超伝導体のPCARスペクトルを高速かつ自動解析するモデルを作成するために,畳み込みニューラルネットワーク(CNN)アルゴリズムを用いる。
• 参考スコア（独自算出の注目度）: 14.94657556857823
• License:
• Abstract: Delineating the superconducting order parameters is a pivotal task in investigating superconductivity for probing pairing mechanisms, as well as their symmetry and topology. Point-contact Andreev reflection (PCAR) measurement is a simple yet powerful tool for identifying the order parameters. The PCAR spectra exhibit significant variations depending on the type of the order parameter in a superconductor, including its magnitude ($\mathit{\Delta}$), as well as temperature, interfacial quality, Fermi velocity mismatch, and other factors. The information on the order parameter can be obtained by finding the combination of these parameters, generating a theoretical spectrum that fits a measured experimental spectrum. However, due to the complexity of the spectra and the high dimensionality of parameters, extracting the fitting parameters is often time-consuming and labor-intensive. In this study, we employ a convolutional neural network (CNN) algorithm to create models for rapid and automated analysis of PCAR spectra of various superconductors with different pairing symmetries (conventional $s$-wave, chiral $p_x+ip_y$-wave, and $d_{x^2-y^2}$-wave). The training datasets are generated based on the Blonder-Tinkham-Klapwijk (BTK) theory and further modified and augmented by selectively incorporating noise and peaks according to the bias voltages. This approach not only replicates the experimental spectra but also brings the model's attention to important features within the spectra. The optimized models provide fitting parameters for experimentally measured spectra in less than 100 ms per spectrum. Our approaches and findings pave the way for rapid and automated spectral analysis which will help accelerate research on superconductors with complex order parameters.
• Abstract（参考訳）: 超伝導秩序パラメータの定式化は、その対称性とトポロジーだけでなく、ペアリング機構の探索のための超伝導の研究における重要な課題である。 点接触アンドリーフ反射法(PCAR)測定は、順序パラメータを識別するための単純だが強力なツールである。 PCARスペクトルは、マグニチュード($\mathit{\Delta}$)、温度、界面品質、フェルミ速度ミスマッチなど、超伝導体の秩序パラメータの種類によって大きな変化を示す。 順序パラメータに関する情報は、これらのパラメータの組み合わせを見つけ、測定された実験スペクトルに適合する理論スペクトルを生成することで得られる。 しかし、スペクトルの複雑さとパラメータの高次元性のため、適合パラメータの抽出には時間と労力がかかることが多い。 本研究では、畳み込みニューラルネットワーク(CNN)アルゴリズムを用いて、異なるペアリング対称性を持つ超伝導体のPCARスペクトルを高速かつ自動で解析するモデルを作成する(従来の$s$-wave, Chiral $p_x+ip_y$-wave, $d_{x^2-y^2}$-wave)。 トレーニングデータセットは、Bronder-Tinkham-Klapwijk(BTK)理論に基づいて生成され、バイアス電圧に応じてノイズとピークを選択的に組み込んでさらに修正および拡張される。 このアプローチは、実験的なスペクトルを複製するだけでなく、モデルの注意をスペクトル内の重要な特徴にもたらします。 最適化されたモデルでは、1スペクトルあたり100ミリ秒未満で実験的に測定されたスペクトルに適合するパラメータが提供される。 我々のアプローチと発見は、複雑な秩序パラメータを持つ超伝導体の研究を加速するのに役立つ、迅速かつ自動的なスペクトル分析の道を開く。

関連論文リスト

• Sample complexity of data-driven tuning of model hyperparameters in neural networks with structured parameter-dependent dual function [24.457000214575245]
  固定問題インスタンス上での実用関数の不連続性と発振を特徴付ける新しい手法を提案する。 これは、実用関数の族における学習理論の複雑さが有界であることを示すのに使うことができる。
  論文  参考訳（メタデータ） (2025-01-23T15:10:51Z)
• Point-Calibrated Spectral Neural Operators [54.13671100638092]
  点レベル適応スペクトルベースで関数を近似することで演算子マッピングを学習する。 点平衡スペクトル演算子は点レベル適応スペクトルベースで関数を近似することで演算子マッピングを学習する。
  論文  参考訳（メタデータ） (2024-10-15T08:19:39Z)
• Spectral Adapter: Fine-Tuning in Spectral Space [45.72323731094864]
  本研究では, 既訓練重量行列のスペクトル情報を微調整手順に組み込むことにより, 現在のPEFT法の強化について検討した。 提案するファインチューニングモデルにより,パラメータ効率とチューニング性能が向上し,マルチアダプタ融合のメリットが期待できることを示す。
  論文  参考訳（メタデータ） (2024-05-22T19:36:55Z)
• Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
  本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。 提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
  論文  参考訳（メタデータ） (2023-11-30T13:50:21Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• AUTOMATA: Gradient Based Data Subset Selection for Compute-Efficient Hyper-parameter Tuning [72.54359545547904]
  ハイパーパラメータチューニングのための勾配に基づくサブセット選択フレームワークを提案する。 ハイパーパラメータチューニングに勾配ベースのデータサブセットを用いることで、3$times$-30$times$のターンアラウンド時間とスピードアップが大幅に向上することを示す。
  論文  参考訳（メタデータ） (2022-03-15T19:25:01Z)
• Gaussian Process Regression for Absorption Spectra Analysis of Molecular Dimers [68.8204255655161]
  本稿では、ガウス過程回帰(GPR)から数値計算のパラメータを選択する機械学習技術に基づくアプローチについて議論する。 このアプローチは最適パラメータ集合に素早く収束するだけでなく、完全なパラメータ空間に関する情報を提供する。 実際、GPRは量子化学法を用いてこれらのパラメータの直接計算と一致した信頼性の高い結果を与える。
  論文  参考訳（メタデータ） (2021-12-14T17:46:45Z)
• Spectral Tensor Train Parameterization of Deep Learning Layers [136.4761580842396]
  重み行列の低ランクパラメータ化をDeep Learningコンテキストに埋め込まれたスペクトル特性を用いて検討する。 分類設定におけるニューラルネットワーク圧縮の効果と,生成的対角トレーニング設定における圧縮および安定性トレーニングの改善について述べる。
  論文  参考訳（メタデータ） (2021-03-07T00:15:44Z)
• Differentiable Programming for Hyperspectral Unmixing using a Physics-based Dispersion Model [9.96234892716562]
  本稿では、スペクトル変動を物理に基づくアプローチから考慮し、エンドツーエンドのスペクトルアンミックスアルゴリズムに組み込む。 畳み込みニューラルネットワークを用いた逆レンダリング技術を導入し、トレーニングデータが利用可能な場合のパフォーマンスと速度を向上させる。 結果は、赤外線と近赤外(VNIR)データセットの両方で最先端を達成する。
  論文  参考訳（メタデータ） (2020-07-12T14:16:35Z)
• Approximate Inference for Spectral Mixture Kernel [25.087829816206813]
  スペクトル混合核に対する近似ベイズ推定を提案する。 抽出されたエビデンス下界(ELBO)推定器にサンプリングベース変分推定を適用することにより,変分パラメータを最適化する。 提案した推論と2つの戦略が組み合わさってパラメータの収束を加速し、より良いパラメータをもたらす。
  論文  参考訳（メタデータ） (2020-06-12T09:39:29Z)

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。