論文の概要: Mic-hackathon 2024: Hackathon on Machine Learning for Electron and Scanning Probe Microscopy

• arxiv url: http://arxiv.org/abs/2506.08423v1
• Date: Tue, 10 Jun 2025 03:54:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:41.371791
• Title: Mic-hackathon 2024: Hackathon on Machine Learning for Electron and Scanning Probe Microscopy
• Title（参考訳）: Mic-Hackathon 2024: Hackathon on Machine Learning for Electron and Scanning Probe Microscopy
• Authors: Utkarsh Pratiush, Austin Houston, Kamyar Barakati, Aditya Raghavan, Dasol Yoon, Harikrishnan KP, Zhaslan Baraissov, Desheng Ma, Samuel S. Welborn, Mikolaj Jakowski, Shawn-Patrick Barhorst, Alexander J. Pattison, Panayotis Manganaris, Sita Sirisha Madugula, Sai Venkata Gayathri Ayyagari, Vishal Kennedy, Ralph Bulanadi, Michelle Wang, Kieran J. Pang, Ian Addison-Smith, Willy Menacho, Horacio V. Guzman, Alexander Kiefer, Nicholas Furth, Nikola L. Kolev, Mikhail Petrov, Viktoriia Liu, Sergey Ilyev, Srikar Rairao, Tommaso Rodani, Ivan Pinto-Huguet, Xuli Chen, Josep Cruañes, Marta Torrens, Jovan Pomar, Fanzhi Su, Pawan Vedanti, Zhiheng Lyu, Xingzhi Wang, Lehan Yao, Amir Taqieddin, Forrest Laskowski, Xiangyu Yin, Yu-Tsun Shao, Benjamin Fein-Ashley, Yi Jiang, Vineet Kumar, Himanshu Mishra, Yogesh Paul, Adib Bazgir, Rama chandra Praneeth Madugula, Yuwen Zhang, Pravan Omprakash, Jian Huang, Eric Montufar-Morales, Vivek Chawla, Harshit Sethi, Jie Huang, Lauri Kurki, Grace Guinan, Addison Salvador, Arman Ter-Petrosyan, Madeline Van Winkle, Steven R. Spurgeon, Ganesh Narasimha, Zijie Wu, Richard Liu, Yongtao Liu, Boris Slautin, Andrew R Lupini, Rama Vasudevan, Gerd Duscher, Sergei V. Kalinin,
• Abstract要約: 顕微鏡は、ナノメートルと原子スケールにおける材料構造と機能に関する情報の主要な源である。 主要な資金機関によるデータ管理計画(DMP)の導入は、保存とアクセスを促進する。 標準化されたコードエコシステム、ベンチマーク、統合戦略が欠如しているため、洞察を得るのは難しいままです。
• 参考スコア（独自算出の注目度）: 54.24356756795849
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Microscopy is a primary source of information on materials structure and functionality at nanometer and atomic scales. The data generated is often well-structured, enriched with metadata and sample histories, though not always consistent in detail or format. The adoption of Data Management Plans (DMPs) by major funding agencies promotes preservation and access. However, deriving insights remains difficult due to the lack of standardized code ecosystems, benchmarks, and integration strategies. As a result, data usage is inefficient and analysis time is extensive. In addition to post-acquisition analysis, new APIs from major microscope manufacturers enable real-time, ML-based analytics for automated decision-making and ML-agent-controlled microscope operation. Yet, a gap remains between the ML and microscopy communities, limiting the impact of these methods on physics, materials discovery, and optimization. Hackathons help bridge this divide by fostering collaboration between ML researchers and microscopy experts. They encourage the development of novel solutions that apply ML to microscopy, while preparing a future workforce for instrumentation, materials science, and applied ML. This hackathon produced benchmark datasets and digital twins of microscopes to support community growth and standardized workflows. All related code is available at GitHub: https://github.com/KalininGroup/Mic-hackathon-2024-codes-publication/tree/1.0.0.1
• Abstract（参考訳）: 顕微鏡は、ナノメートルと原子スケールにおける材料構造と機能に関する情報の主要な源である。 生成されたデータはよく構造化されており、メタデータやサンプル履歴が豊富だが、詳細やフォーマットでは必ずしも一貫性がない。 主要な資金機関によるデータ管理計画(DMP)の導入は、保存とアクセスを促進する。 しかしながら、標準化されたコードエコシステム、ベンチマーク、統合戦略が欠如しているため、洞察を得るのは難しいままです。 その結果、データ利用は非効率であり、分析時間は広くなる。 買収後の分析に加えて、主要顕微鏡メーカーの新たなAPIは、自動意思決定のためのリアルタイムのMLベースの分析とMLエージェント制御顕微鏡操作を可能にする。 しかし、MLと顕微鏡のコミュニティの間にはギャップが残っており、これらの手法が物理学、材料発見、最適化に与える影響を制限している。 ハッカソンは、ML研究者と顕微鏡の専門家とのコラボレーションを促進することで、この隔たりを埋める手助けをする。 彼らは、計器、材料科学、応用MLのための将来の労働力を準備しながら、MLを顕微鏡に応用する新しいソリューションの開発を奨励する。 このハッカソンは、コミュニティの成長と標準化されたワークフローをサポートするために、ベンチマークデータセットと顕微鏡のデジタルツインを作成した。 関連コードはすべてGitHubで入手できる。 https://github.com/KalininGroup/Mic-hackathon-2024-codes-publication/tree/1.0.0.1

関連論文リスト

• PERC: a suite of software tools for the curation of cryoEM data with application to simulation, modelling and machine learning [0.3818645814949463]
  構造生物学では、現在実験とシミュレーションされたデータセットのオープンリポジトリが多数存在する。 ここで紹介するツールは、既存のCryoEMデータセットの照合や、新しい合成CryoEMデータセットの作成に有用である。
  論文  参考訳（メタデータ） (2025-03-17T16:07:56Z)
• DiscoveryBench: Towards Data-Driven Discovery with Large Language Models [50.36636396660163]
  我々は、データ駆動探索の多段階プロセスを形式化する最初の包括的なベンチマークであるDiscoveryBenchを紹介する。 我々のベンチマークには、社会学や工学などの6つの分野にまたがる264のタスクが含まれている。 私たちのベンチマークでは、自律的なデータ駆動型発見の課題を説明し、コミュニティが前進するための貴重なリソースとして役立ちます。
  論文  参考訳（メタデータ） (2024-07-01T18:58:22Z)
• DataDreamer: A Tool for Synthetic Data Generation and Reproducible LLM Workflows [72.40917624485822]
  我々は、研究者が強力な大規模言語モデルを実装することができるオープンソースのPythonライブラリであるDataDreamerを紹介した。 DataDreamerはまた、オープンサイエンスを促進するために提案するベストプラクティスに研究者が従うのを助ける。
  論文  参考訳（メタデータ） (2024-02-16T00:10:26Z)
• Human-in-the-loop: The future of Machine Learning in Automated Electron Microscopy [0.6760163180787716]
  MLに基づくアクティブな実験を設計する際の考慮事項について論じる。 今後数年間の計画としては、人力による自動実験が考えられる。
  論文  参考訳（メタデータ） (2023-10-08T05:26:32Z)
• Deep Learning for Automated Experimentation in Scanning Transmission Electron Microscopy [0.0]
  機械学習(ML)は、()透過電子顕微鏡、走査(S)TEM、イメージング、分光法において、取得後のデータ解析に欠かせないものとなっている。 本稿では, 逐次データ解析とアウト・オブ・ディストリビューションドリフト効果を含む, アクティブMLへの移行に伴う課題について論じる。 これらの考察は、次世代実験におけるMLの運用を総括的に示すものである。
  論文  参考訳（メタデータ） (2023-04-04T18:01:56Z)
• TemporAI: Facilitating Machine Learning Innovation in Time Domain Tasks for Medicine [91.3755431537592]
  TemporAIは、機械学習(ML)タスクのためのオープンソースのPythonソフトウェアライブラリである。 時系列、静的、イベントモダリティのデータをサポートし、予測、因果推論、時間対イベント分析のためのインターフェースを提供する。
  論文  参考訳（メタデータ） (2023-01-28T17:57:53Z)
• Microscopy is All You Need [0.0]
  我々は、機械学習手法を開発するための有望な経路は、ドメイン固有のデプロイ可能なアルゴリズムの経路であると主張している。 これは基礎的な物理研究の恩恵を受け、ロボット工学や製造といったより複雑な自律システムのテストベッドとして機能する。
  論文  参考訳（メタデータ） (2022-10-12T18:41:40Z)
• Memory-Based Optimization Methods for Model-Agnostic Meta-Learning and Personalized Federated Learning [56.17603785248675]
  モデルに依存しないメタラーニング (MAML) が人気のある研究分野となっている。 既存のMAMLアルゴリズムは、イテレーション毎にメタモデルを更新するためにいくつかのタスクとデータポイントをサンプリングすることで、エピソードのアイデアに依存している。 本稿では,MAMLのメモリベースアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-09T08:47:58Z)
• MicroAnalyzer: A Python Tool for Automated Bacterial Analysis with Fluorescence Microscopy [0.0]
  MicroAnalyzerは、顕微鏡画像解析のためのエンドツーエンドのプラットフォームである。 最先端のディープラーニングセグメンテーションモデルに基づいて、正確なセルと蛍光クラスターセグメンテーションを提供する。 初期のディープラーニングモデルトレーニングを除いて、研究者からそれ以上の入力は不要である。
  論文  参考訳（メタデータ） (2020-09-26T20:45:19Z)

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。