論文の概要: AutoMat: Enabling Automated Crystal Structure Reconstruction from Microscopy via Agentic Tool Use

• arxiv url: http://arxiv.org/abs/2505.12650v1
• Date: Mon, 19 May 2025 03:04:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.373141
• Title: AutoMat: Enabling Automated Crystal Structure Reconstruction from Microscopy via Agentic Tool Use
• Title（参考訳）: AutoMat: エージェントツールによる顕微鏡からの結晶構造自動再構築
• Authors: Yaotian Yang, Yiwen Tang, Yizhe Chen, Xiao Chen, Jiangjie Qiu, Hao Xiong, Haoyu Yin, Zhiyao Luo, Yifei Zhang, Sijia Tao, Wentao Li, Qinghua Zhang, Yuqiang Li, Wanli Ouyang, Bin Zhao, Xiaonan Wang, Fei Wei,
• Abstract要約: 本稿では,走査型電子顕微鏡画像から原子結晶構造への自動変換を行う,エンドツーエンドのエージェントアシストパイプラインであるAutoMatを紹介する。 AutoMatはパターン適応型Denoising、物理誘導型テンプレート検索、対称性を考慮した原子再構成、高速な緩和、MatterSimによるプロパティ予測を組み合わせたものだ。 450以上の構造サンプルの大規模な実験では、AutoMatは既存のマルチモーダルな大規模言語モデルやツールを大幅に上回っている。
• 参考スコア（独自算出の注目度）: 43.82226218242389
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Machine learning-based interatomic potentials and force fields depend critically on accurate atomic structures, yet such data are scarce due to the limited availability of experimentally resolved crystals. Although atomic-resolution electron microscopy offers a potential source of structural data, converting these images into simulation-ready formats remains labor-intensive and error-prone, creating a bottleneck for model training and validation. We introduce AutoMat, an end-to-end, agent-assisted pipeline that automatically transforms scanning transmission electron microscopy (STEM) images into atomic crystal structures and predicts their physical properties. AutoMat combines pattern-adaptive denoising, physics-guided template retrieval, symmetry-aware atomic reconstruction, fast relaxation and property prediction via MatterSim, and coordinated orchestration across all stages. We propose the first dedicated STEM2Mat-Bench for this task and evaluate performance using lattice RMSD, formation energy MAE, and structure-matching success rate. By orchestrating external tool calls, AutoMat enables a text-only LLM to outperform vision-language models in this domain, achieving closed-loop reasoning throughout the pipeline. In large-scale experiments over 450 structure samples, AutoMat substantially outperforms existing multimodal large language models and tools. These results validate both AutoMat and STEM2Mat-Bench, marking a key step toward bridging microscopy and atomistic simulation in materials science.The code and dataset are publicly available at https://github.com/yyt-2378/AutoMat and https://huggingface.co/datasets/yaotianvector/STEM2Mat.
• Abstract（参考訳）: 機械学習に基づく原子間ポテンシャルと力場は、正確な原子構造に決定的に依存するが、実験的に解決された結晶の可用性が限られているため、そのようなデータは乏しい。 原子分解能電子顕微鏡は構造データの潜在的な源を提供するが、これらの画像をシミュレーション可能なフォーマットに変換することは、労働集約的でエラーを起こし、モデルの訓練と検証のボトルネックとなる。 本稿では,走査型透過電子顕微鏡(STEM)画像を原子結晶構造に自動変換し,その物性を予測する,エンドツーエンドのエージェントアシストパイプラインであるAutoMatを紹介する。 AutoMatはパターン適応型Denoising、物理誘導型テンプレート検索、対称性を意識した原子再構成、MatterSimによる高速な緩和とプロパティ予測、およびすべてのステージにわたる協調オーケストレーションを組み合わせたものだ。 本研究では, 格子RMSD, 生成エネルギーMAE, 構造整合成功率を用いてSTEM2Mat-Benchを試作し, 性能評価を行った。 外部ツールコールのオーケストレーションにより、AutoMatはテキストのみのLLMが、このドメインの視覚言語モデルより優れ、パイプライン全体にわたってクローズドループ推論を実現することができる。 450以上の構造サンプルの大規模な実験では、AutoMatは既存のマルチモーダルな大規模言語モデルやツールを大幅に上回っている。 これらの結果はAutoMatとSTEM2Mat-Benchの両方を検証し、材料科学における顕微鏡と原子シミュレーションのブリッジに向けた重要なステップを示す。コードとデータセットはhttps://github.com/yt-2378/AutoMatとhttps://huggingface.co/datasets/yaotianvector/STEM2Matで公開されている。

関連論文リスト

• Materials Learning Algorithms (MALA): Scalable Machine Learning for Electronic Structure Calculations in Large-Scale Atomistic Simulations [2.04071520659173]
  本稿では,大規模原子論シミュレーションに適したスケーラブルな機械学習フレームワークであるMaterial Learning Algorithms (MALA)パッケージを提案する。 MALAモデルは、状態の局所密度、電子密度、状態の密度、総エネルギーを含む重要な電子観測物を効率的に予測する。 我々は, ホウ素クラスター, 固液相境界を横切るアルミニウム, 大型ベリリウムスラブの積層断層の電子構造を予測した例でMALAの機能を示す。
  論文  参考訳（メタデータ） (2024-11-29T11:10:29Z)
• OminiControl: Minimal and Universal Control for Diffusion Transformer [68.3243031301164]
  我々は,Diffusion Transformer(DiT)アーキテクチャに画像条件をどのように統合するかを再考する,新しいアプローチであるOminiControlを提案する。 OminiControlは3つの重要なイノベーションを通じて、これらの制限に対処する。
  論文  参考訳（メタデータ） (2024-11-22T17:55:15Z)
• Embedding an ANN-Based Crystal Plasticity Model into the Finite Element Framework using an ABAQUS User-Material Subroutine [3.8090193872025226]
  本論文は、ユーザマテリアル(UMAT)サブルーチンを用いて、トレーニングニューラルネットワーク(NN)を有限要素(FE)フレームワークに組み込む実践的な方法を提案する。 この研究は、ABAQUS UMATで広範囲に応用された複雑な非弾性な非線形経路依存材料応答である結晶の塑性を例証する。
  論文  参考訳（メタデータ） (2024-09-25T10:47:18Z)
• A robust synthetic data generation framework for machine learning in High-Resolution Transmission Electron Microscopy (HRTEM) [1.0923877073891446]
  Construction Zoneは、複雑なナノスケール原子構造を高速に生成するためのPythonパッケージである。 ニューラルネットワークをトレーニングするための大規模なシミュレーションデータベースを作成するためのエンドツーエンドワークフローを開発する。 この結果から, ナノ粒子のHRTEM画像に対して, 最先端のセグメンテーション性能を実現することができた。
  論文  参考訳（メタデータ） (2023-09-12T10:44:15Z)
• FakET: Simulating Cryo-Electron Tomograms with Neural Style Transfer [4.0998481751764]
  低温透過電子顕微鏡のフォワード演算子をシミュレートできるFakETを導入する。 高品質なシミュレートされたマイクログラフや傾きシリーズを生成する基準データに従って、合成トレーニングデータセットを適応するために使用できる。 特筆すべきは、我々の技術は性能にマッチし、データ生成速度を750倍にし、メモリを33倍削減し、典型的な透過型電子顕微鏡検出器サイズによくスケールすることです。
  論文  参考訳（メタデータ） (2023-04-04T17:59:09Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• AtomAI: A Deep Learning Framework for Analysis of Image and Spectroscopy Data in (Scanning) Transmission Electron Microscopy and Beyond [0.0]
  AtomAIは、インストゥルメント固有のPythonライブラリ、ディープラーニング、シミュレーションツールを単一のエコシステムにブリッジするオープンソースソフトウェアパッケージです。 AtomAIは、原子とメソスコピックの画像セグメンテーションにディープ畳み込みニューラルネットワークを直接適用することができる。 AtomAIは、im2specと spec2imタイプのエンコーダ-デコーダモデルを通じて構造-プロパティ関係をマッピングするユーティリティを提供する。
  論文  参考訳（メタデータ） (2021-05-16T17:44:59Z)
• Meta-Sim2: Unsupervised Learning of Scene Structure for Synthetic Data Generation [88.04759848307687]
  Meta-Sim2では,パラメータに加えてシーン構造を学習することを目指している。 強化学習(Reinforcement Learning)を使用してモデルをトレーニングし、トレーニング成功の鍵となる合成画像とターゲット画像の間に特徴空間のばらつきを設計する。 また,この手法は,他のベースラインシミュレーション手法と対照的に,生成したデータセット上でトレーニングしたオブジェクト検出器の性能を下流で向上させることを示す。
  論文  参考訳（メタデータ） (2020-08-20T17:28:45Z)

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。