論文の概要: Machine Learning Framework for Characterizing Processing-Structure Relationship in Block Copolymer Thin Films
- arxiv url: http://arxiv.org/abs/2505.23064v1
- Date: Thu, 29 May 2025 04:14:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-08 15:13:56.919398
- Title: Machine Learning Framework for Characterizing Processing-Structure Relationship in Block Copolymer Thin Films
- Title（参考訳）: ブロック共重合体薄膜の加工構造関連性評価のための機械学習フレームワーク
- Authors: Bradley Lamb, Saroj Upreti, Yunfei Wang, Daniel Struble, Chenhui Zhu, Guillaume Freychet, Xiaodan Gu, Boran Ma,
- Abstract要約: ブロック共重合体(BCP)の形態は、材料特性や応用に重大な影響を及ぼす。
本研究では,BCP薄膜形態を特徴付けるために,GISAXSデータとAFM画像の解析を行う機械学習(ML)対応フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 1.4698426549994696
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The morphology of block copolymers (BCPs) critically influences material properties and applications. This work introduces a machine learning (ML)-enabled, high-throughput framework for analyzing grazing incidence small-angle X-ray scattering (GISAXS) data and atomic force microscopy (AFM) images to characterize BCP thin film morphology. A convolutional neural network was trained to classify AFM images by morphology type, achieving 97% testing accuracy. Classified images were then analyzed to extract 2D grain size measurements from the samples in a high-throughput manner. ML models were developed to predict morphological features based on processing parameters such as solvent ratio, additive type, and additive ratio. GISAXS-based properties were predicted with strong performances ($R^2$ > 0.75), while AFM-based property predictions were less accurate ($R^2$ < 0.60), likely due to the localized nature of AFM measurements compared to the bulk information captured by GISAXS. Beyond model performance, interpretability was addressed using Shapley Additive exPlanations (SHAP). SHAP analysis revealed that the additive ratio had the largest impact on morphological predictions, where additive provides the BCP chains with increased volume to rearrange into thermodynamically favorable morphologies. This interpretability helps validate model predictions and offers insight into parameter importance. Altogether, the presented framework combining high-throughput characterization and interpretable ML offers an approach to exploring and optimizing BCP thin film morphology across a broad processing landscape.
- Abstract（参考訳）: ブロック共重合体(BCP)の形態は、材料特性や応用に重大な影響を及ぼす。
本研究は,BCP薄膜形態を特徴付けるため,GISAXSデータと原子間力顕微鏡(AFM)画像の解析を行う機械学習(ML)対応高スループットフレームワークを提案する。
畳み込みニューラルネットワークは、AFM画像をモルフォロジータイプで分類するように訓練され、97%のテスト精度が達成された。
分類画像を解析し, 試料から高出力で2次元粒径計測を行った。
MLモデルは, 溶媒比, 添加型, 添加率などの処理パラメータに基づいて, 形態的特徴を予測するために開発された。
GISAXSに基づく特性は強い性能で予測され(R^2$ > 0.75)、AFMに基づく特性予測は精度が低い(R^2$ < 0.60)。
モデルパフォーマンス以外にも、Shapley Additive exPlanations (SHAP)を使用して解釈可能になった。
SHAP分析の結果, 添加比がモルフォロジー予測に最も大きな影響を与えていることが明らかとなった。
この解釈性はモデルの予測を検証するのに役立ち、パラメータの重要性に関する洞察を提供する。
さらに,高スループットのキャラクタリゼーションと解釈可能なMLを組み合わせることで,BCP薄膜形態を広範に探索し,最適化する手法を提案する。
関連論文リスト
- Pure Component Property Estimation Framework Using Explainable Machine Learning Methods [4.8601239628666635]
結合行列に基づく分子表現法は、原子結合関係を効果的に考慮し、特徴を自動生成する。
ニューラルネットワークとガウス過程回帰モデルを用いて, 通常の沸点 (Tb), 液体モル体積, 臨界温度 (Tc) および臨界圧力 (Pc) の予測結果を得た。
モデルの解釈可能性を高めるために,Shapley値に基づく特徴解析手法を用いて特性予測への各特徴の寄与を決定する。
論文 参考訳（メタデータ） (2025-05-14T20:21:23Z) - Machine learning surrogate models of many-body dispersion interactions in polymer melts [40.83978401377059]
本稿では,高分子融液中のMBD力を予測するための機械学習サロゲートモデルを提案する。
我々のモデルは、最も関連する原子結合を選択的に保持する、トリミングされたSchNetアーキテクチャに基づいている。
高計算効率で特徴付けられるサロゲートモデルにより、大規模な分子シミュレーションにMBD効果を実践的に組み込むことが可能となる。
論文 参考訳（メタデータ） (2025-03-19T12:15:35Z) - An Interpretable ML-based Model for Predicting p-y Curves of Monopile Foundations in Sand [5.0649910056131775]
本研究では,モノパイル基礎のp-y曲線を予測するための解釈可能な機械学習モデルを開発した。
その結果,モデルが予測精度に優れていたことが示唆された。
論文 参考訳（メタデータ） (2025-01-08T03:00:34Z) - Data-free Weight Compress and Denoise for Large Language Models [96.68582094536032]
パラメータ行列を圧縮する手法として,データフリーなジョイントランクk近似を提案する。
キャリブレーションデータなしで、元の性能の93.43%を維持しながら80%のパラメータのモデルプルーニングを実現する。
論文 参考訳（メタデータ） (2024-02-26T05:51:47Z) - Machine Learning Small Molecule Properties in Drug Discovery [44.62264781248437]
我々は, 結合親和性, 溶解性, ADMET (吸収, 分布, 代謝, 排出, 毒性) を含む幅広い特性について検討する。
化学指紋やグラフベースニューラルネットワークなど,既存の一般的な記述子や埋め込みについて論じる。
最後に、モデル予測の理解を提供する技術、特に薬物発見における重要な意思決定について評価する。
論文 参考訳（メタデータ） (2023-08-02T22:18:41Z) - Optimizations of Autoencoders for Analysis and Classification of
Microscopic In Situ Hybridization Images [68.8204255655161]
同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。
分析するデータには教師なし学習モデルが必要です。
論文 参考訳（メタデータ） (2023-04-19T13:45:28Z) - Dynamic multi feature-class Gaussian process models [0.0]
本研究では, 医用画像における形状, ポーズ, 強度特徴の自動学習のための統計的モデリング手法を提案する。
DMFC-GPM (DMFC-GPM) はガウス過程(GP)に基づくモデルであり、線形および非線形の変動を符号化する潜在空間を共有する。
モデル性能の結果は、この新しいモデリングパラダイムが堅牢で、正確で、アクセス可能であり、潜在的な応用があることを示唆している。
論文 参考訳（メタデータ） (2021-12-08T15:12:47Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-10-18T14:43:50Z) - Surface Warping Incorporating Machine Learning Assisted Domain
Likelihood Estimation: A New Paradigm in Mine Geology Modelling and
Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。
本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。
その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文 参考訳（メタデータ） (2021-02-15T10:37:52Z) - Numerical simulation, clustering and prediction of multi-component
polymer precipitation [0.7349727826230861]
多成分ポリマー系は、有機太陽電池およびドラッグデリバリー用途に関心がある。
我々は、ポリマーの沈殿をシミュレートするために、改良されたカーン・ヒリアードモデルを用いる。
計算コストを削減するため、シミュレーションしたポリマーブレンド画像のクラスタリングとそれに伴う予測に機械学習技術を適用した。
論文 参考訳（メタデータ） (2020-07-10T09:10:17Z)
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。