論文の概要: Domain Switching on the Pareto Front: Multi-Objective Deep Kernel Learning in Automated Piezoresponse Force Microscopy

• arxiv url: http://arxiv.org/abs/2506.08073v1
• Date: Mon, 09 Jun 2025 17:58:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:40.271274
• Title: Domain Switching on the Pareto Front: Multi-Objective Deep Kernel Learning in Automated Piezoresponse Force Microscopy
• Title（参考訳）: パレートフロントでのドメインスイッチング:自動ピエゾ応答力顕微鏡における多目的深層カーネル学習
• Authors: Yu Liu, Utkarsh Pratiush, Kamyar Barakati, Hiroshi Funakubo, Ching-Che Lin, Jaegyu Kim, Lane W. Martin, Sergei V. Kalinin,
• Abstract要約: 強誘電体偏極スイッチングは、幅広い材料や装置の機能的性能を支えている。 本稿では,画像データから直接スイッチング動作を規定するマイクロ構造規則を推論する多目的カーネル学習ワークフローを提案する。 強誘電体領域のスイッチングを実証する一方で、我々の手法は複雑で微分不可能な設計空間をナビゲートするための強力で一般化可能なツールを提供する。
• 参考スコア（独自算出の注目度）: 2.5041807796023425
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Ferroelectric polarization switching underpins the functional performance of a wide range of materials and devices, yet its dependence on complex local microstructural features renders systematic exploration by manual or grid-based spectroscopic measurements impractical. Here, we introduce a multi-objective kernel-learning workflow that infers the microstructural rules governing switching behavior directly from high-resolution imaging data. Applied to automated piezoresponse force microscopy (PFM) experiments, our framework efficiently identifies the key relationships between domain-wall configurations and local switching kinetics, revealing how specific wall geometries and defect distributions modulate polarization reversal. Post-experiment analysis projects abstract reward functions, such as switching ease and domain symmetry, onto physically interpretable descriptors including domain configuration and proximity to boundaries. This enables not only high-throughput active learning, but also mechanistic insight into the microstructural control of switching phenomena. While demonstrated for ferroelectric domain switching, our approach provides a powerful, generalizable tool for navigating complex, non-differentiable design spaces, from structure-property correlations in molecular discovery to combinatorial optimization across diverse imaging modalities.
• Abstract（参考訳）: 強誘電体偏光スイッチングは、幅広い材料や装置の機能的性能を支えているが、その複雑な局所的な構造的特徴への依存は、手動または格子型分光測定による系統的な探索を非現実的に行う。 本稿では,高解像度画像データから直接スイッチング動作を規定するマイクロ構造規則を推論する多目的カーネル学習ワークフローを提案する。 PFM (Automatic Piezoresponse Force Microscopy) 実験に応用し, 領域壁構成と局所切換運動量との関係を効率よく把握し, 特定の壁形状と欠陥分布が偏極反転をどのように調節するかを明らかにする。 実験後の分析プロジェクトでは、容易性やドメイン対称性などの報酬関数を、ドメイン構成や境界への近接を含む物理的に解釈可能な記述子に切り替える。 これにより、高スループットな能動学習だけでなく、スイッチング現象のミクロ構造制御に関する機械的洞察も可能となる。 強誘電体領域のスイッチングを実証する一方で,本手法は,分子発見における構造-固有性相関から,多様な画像モダリティの組合せ最適化に至るまで,複雑で微分不可能な設計空間をナビゲートする強力な汎用ツールを提供する。

関連論文リスト

• Curiosity Driven Exploration to Optimize Structure-Property Learning in Microscopy [0.4711628883579317]
  本稿では、探索されていない構造-プロパティ関係を持つ領域を積極的にサンプリングする、代替的な軽量好奇性アルゴリズムを提案する。 本アルゴリズムは, 構造特性予測のためのランダムサンプリングよりも優れており, 材料科学における構造-プロパティ関係を効率的にマッピングするための便利なツールを提供する。
  論文  参考訳（メタデータ） (2025-04-28T17:31:29Z)
• LoFLAT: Local Feature Matching using Focused Linear Attention Transformer [36.53651224633837]
  We propose the LoFLAT, a novel Local Feature matching using Focused Linear Attention Transformer。 私たちのLoFLATは、Feature extract Module、Feature Transformer Module、Matching Moduleの3つの主要なモジュールで構成されています。 提案した LoFLAT は効率と精度の両方で LoFTR 法より優れている。
  論文  参考訳（メタデータ） (2024-10-30T05:38:07Z)
• Dynamical Mean-Field Theory of Self-Attention Neural Networks [0.0]
  トランスフォーマーベースのモデルは、様々な領域で例外的な性能を示している。 動作方法や期待されるダイナミクスについてはほとんど分かっていない。 非平衡状態における非対称ホップフィールドネットワークの研究に手法を用いる。
  論文  参考訳（メタデータ） (2024-06-11T13:29:34Z)
• Striking the Right Balance of Encoding Electron Correlation in the Hamiltonian and the Wavefunction Ansatz [0.0]
  多重構成電子構造理論は多電子波動関数に最も多用途な近似を与える。 我々は、超相関モデルを定義することができる単純な電子のみの相関式を支持する。
  論文  参考訳（メタデータ） (2024-04-30T00:34:34Z)
• A Theoretical Analysis of Self-Supervised Learning for Vision Transformers [66.08606211686339]
  マスク付きオートエンコーダ(MAE)とコントラスト学習(CL)は異なる種類の表現をキャプチャする。 我々は,MAEとCLの両目的に対して,一層ソフトマックス型視覚変換器(ViT)のトレーニングダイナミクスについて検討した。
  論文  参考訳（メタデータ） (2024-03-04T17:24:03Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
  我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。 結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。 シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
  論文  参考訳（メタデータ） (2022-02-01T03:53:39Z)
• Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
  分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。 分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
  論文  参考訳（メタデータ） (2021-10-26T14:14:40Z)
• DA-DETR: Domain Adaptive Detection Transformer with Information Fusion [53.25930448542148]
  DA-DETRは、ラベル付きソースドメインからラベルなしターゲットドメインへの効果的な転送のための情報融合を導入するドメイン適応型オブジェクト検出変換器である。 本稿では,CNN機能とトランスフォーマー機能を融合した新しいCNN-Transformer Blender(CTBlender)を提案する。 CTBlenderはTransformer機能を使用して、高レベルの意味情報と低レベルの空間情報が融合した複数のスケールでCNN機能を変調し、正確な物体識別と位置決めを行う。
  論文  参考訳（メタデータ） (2021-03-31T13:55:56Z)
• The role of feature space in atomistic learning [62.997667081978825]
  物理的にインスパイアされた記述子は、原子論シミュレーションへの機械学習技術の応用において重要な役割を果たしている。 異なる記述子のセットを比較するためのフレームワークを導入し、メトリクスとカーネルを使ってそれらを変換するさまざまな方法を紹介します。 原子密度のn-体相関から構築した表現を比較し,低次特徴の利用に伴う情報損失を定量的に評価した。
  論文  参考訳（メタデータ） (2020-09-06T14:12:09Z)

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。