論文の概要: Machine learning enhanced atom probe tomography analysis: a snapshot review
- arxiv url: http://arxiv.org/abs/2504.14378v1
- Date: Sat, 19 Apr 2025 18:37:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-30 00:59:30.711544
- Title: Machine learning enhanced atom probe tomography analysis: a snapshot review
- Title（参考訳）: 機械学習による原子プローブトモグラフィー解析:スナップショットレビュー
- Authors: Yue Li, Ye Wei, Alaukik Saxena, Markus Kühbach, Christoph Freysoldt, Baptiste Gault,
- Abstract要約: 我々は、100万個のAPTデータセットが収集され、それぞれに数百万から数十億個の個別イオンが含まれていると見積もっている。
現在のプラクティスでは、効率的なデータ処理を妨げ、FAIRデータ原則に準拠した標準化とデータ解析の展開に挑戦しています。
ユーザ依存を目的とした新しい機械学習(ML)アプローチが急増しており、統計の観点からは効率的で再現性があり、堅牢である。
- 参考スコア（独自算出の注目度）: 2.7396355250860034
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Atom probe tomography (APT) is a burgeoning characterization technique that provides compositional mapping of materials in three-dimensions at near-atomic scale. Since its significant expansion in the past 30 years, we estimate that one million APT datasets have been collected, each containing millions to billions of individual ions. Their analysis and the extraction of microstructural information has largely relied upon individual users whose varied level of expertise causes clear and documented bias. Current practices hinder efficient data processing, and make challenging standardization and the deployment of data analysis workflows that would be compliant with FAIR data principles. Over the past decade, building upon the long-standing expertise of the APT community in the development of advanced data processing or data mining techniques, there has been a surge of novel machine learning (ML) approaches aiming for user-independence, and that are efficient, reproducible, and robust from a statistics perspective. Here, we provide a snapshot review of this rapidly evolving field. We begin with a brief introduction to APT and the nature of the APT data. This is followed by an overview of relevant ML algorithms and a comprehensive review of their applications to APT. We also discuss how ML can enable discoveries beyond human capability, offering new insights into the mechanisms within materials. Finally, we provide guidance for future directions in this domain.
- Abstract（参考訳）: Atom probe tomography (APT) は、3次元の物質をほぼ原子スケールで合成マッピングする手法である。
過去30年間で大幅に拡大して以来、100万個のAPTデータセットが収集され、それぞれに数百万から数十億個のイオンが含まれていると推定されている。
それらの分析と微細構造情報の抽出は、様々なレベルの専門知識が明確で文書化されたバイアスを引き起こす個々のユーザーに依存している。
現在のプラクティスは、効率的なデータ処理を妨げ、FAIRデータ原則に準拠した標準化とデータ分析ワークフローの展開に挑戦します。
過去10年間で、先進的なデータ処理やデータマイニング技術の開発においてAPTコミュニティの長年の専門知識を基盤として、ユーザ依存を目的とした新しい機械学習(ML)アプローチが急増し、統計の観点からは効率的で再現性があり、堅牢である。
ここでは、この急速に発展している分野のスナップショットレビューを行う。
まず、APTの簡単な紹介とAPTデータの性質から始める。
続いて、関連するMLアルゴリズムの概要と、それらのアプリケーションのAPTへの包括的なレビューが続く。
また、MLが人間の能力を超えた発見を可能にし、材料内のメカニズムに対する新たな洞察を提供する方法について論じる。
最後に、この領域における今後の方向性についてガイダンスを提供する。
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) - Machine Learning for Missing Value Imputation [0.0]
本論文の主な目的は、ミス・バリュー・インプットにおける最先端の機械学習アプリケーションの解析と同様に、包括的で厳密なレビューを行うことである。
2014年から2023年にかけて発行された100以上の記事が、その方法や発見を考慮して批判的にレビューされている。
最新の文献は,MVI法の動向とその評価を精査するために検討されている。
論文 参考訳（メタデータ） (2024-10-10T18:56:49Z) - Benchmarking Data Science Agents [11.582116078653968]
大規模言語モデル(LLM)は、データサイエンスエージェントとして有望な支援として登場し、データ分析と処理において人間を支援している。
しかし、現実の応用の様々な要求と複雑な分析プロセスによって、それらの実用的有効性は依然として制限されている。
我々は、新しい評価パラダイムであるDSEvalと、これらのエージェントの性能を評価するための一連の革新的なベンチマークを紹介する。
論文 参考訳（メタデータ） (2024-02-27T03:03:06Z) - Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである*
Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。
Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
論文 参考訳（メタデータ） (2023-10-28T12:08:03Z) - Accelerated materials language processing enabled by GPT [5.518792725397679]
我々は材料言語処理のための生成変換器(GPT)対応パイプラインを開発した。
まず、関連する文書をスクリーニングするためのGPT対応文書分類手法を開発する。
第二に、NERタスクでは、エンティティ中心のプロンプトを設計し、そのほとんどを学習することで、パフォーマンスが改善された。
最後に,GPT対応抽出QAモデルを開発し,性能の向上とアノテーションの自動修正の可能性を示す。
論文 参考訳（メタデータ） (2023-08-18T07:31:13Z) - Improving Few-Shot Generalization by Exploring and Exploiting Auxiliary
Data [100.33096338195723]
補助データを用いたFew-shot Learning(FLAD)に焦点を当てる。
FLADは、一般化を改善するために、数ショットの学習中に補助データへのアクセスを前提としている。
提案するアルゴリズムは EXP3-FLAD と UCB1-FLAD の2つである。
論文 参考訳（メタデータ） (2023-02-01T18:59:36Z) - A Survey of Learning on Small Data: Generalization, Optimization, and
Challenge [101.27154181792567]
ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。
この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。
効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
論文 参考訳（メタデータ） (2022-07-29T02:34:19Z) - Explainable Predictive Modeling for Limited Spectral Data [0.0]
本稿では、高次元および限られたスペクトルデータの予測結果を解釈するために、最近の説明可能なAI技術を適用する。
機器の解像度制限のため、分光データの重要な領域をピンポイントすると、データ収集プロセスを最適化する経路が生成される。
具体的には,MLモデルの評価がリアルタイムの実践に堅牢であることを保証するために,3つの異なるシナリオを設計する。
論文 参考訳（メタデータ） (2022-02-09T15:46:17Z) - Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
トレーニングデータアーティファクトの識別を容易にする手法を提案する。
提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。
我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
論文 参考訳（メタデータ） (2021-07-01T09:26:13Z) - Pre-Trained Models: Past, Present and Future [126.21572378910746]
大規模事前訓練モデル(PTM)は近年大きな成功を収め、人工知能(AI)分野におけるマイルストーンとなった。
知識を巨大なパラメータに格納し、特定のタスクを微調整することで、巨大なパラメータに暗黙的にエンコードされた豊富な知識は、さまざまな下流タスクの恩恵を受けることができる。
AIコミュニティが、モデルをスクラッチから学習するのではなく、下流タスクのバックボーンとしてPTMを採用することは、今、コンセンサスになっている。
論文 参考訳（メタデータ） (2021-06-14T02:40:32Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳（メタデータ） (2020-05-18T09:36:51Z)
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。