論文の概要: Advancing atomic electron tomography with neural networks

• arxiv url: http://arxiv.org/abs/2506.16104v1
• Date: Thu, 19 Jun 2025 07:54:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 15:14:02.674262
• Title: Advancing atomic electron tomography with neural networks
• Title（参考訳）: ニューラルネットワークによる原子電子トモグラフィーの高度化
• Authors: Juhyeok Lee, Yongsoo Yang,
• Abstract要約: 原子電子トモグラフィー(AET)は、ピコメーターレベルの精度で非破壊的な原子イメージングを提供する。 近年の進歩は、深層学習、特に畳み込みニューラルネットワークをAETに統合し、再構築の忠実性を改善している。 このレビューは、ニューラルネットワーク支援AETの最近の進歩を強調し、3D原子画像における永続的な課題を克服する上での役割を強調している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate determination of three-dimensional (3D) atomic structures is crucial for understanding and controlling the properties of nanomaterials. Atomic electron tomography (AET) offers non-destructive atomic imaging with picometer-level precision, enabling the resolution of defects, interfaces, and strain fields in 3D, as well as the observation of dynamic structural evolution. However, reconstruction artifacts arising from geometric limitations and electron dose constraints can hinder reliable atomic structure determination. Recent progress has integrated deep learning, especially convolutional neural networks, into AET workflows to improve reconstruction fidelity. This review highlights recent advances in neural network-assisted AET, emphasizing its role in overcoming persistent challenges in 3D atomic imaging. By significantly enhancing the accuracy of both surface and bulk structural characterization, these methods are advancing the frontiers of nanoscience and enabling new opportunities in materials research and technology.
• Abstract（参考訳）: 3次元原子構造の正確な決定は、ナノ材料の性質を理解し制御するために重要である。 原子電子トモグラフィー(AET)は、ピコメーターレベルの精度で非破壊的な原子イメージングを提供し、3Dの欠陥、界面、ひずみ場の分解を可能にし、動的構造進化の観察を可能にする。 しかし、幾何学的制限と電子線量制限から生じる再構成成果物は、信頼性の高い原子構造決定を妨げる。 近年の進歩は、ディープラーニング、特に畳み込みニューラルネットワークをAETワークフローに統合し、再構築の忠実性を改善している。 このレビューは、ニューラルネットワーク支援AETの最近の進歩を強調し、3D原子画像における永続的な課題を克服する上での役割を強調している。 表面およびバルク構造特性の精度を大幅に向上させることで、これらの手法はナノサイエンスのフロンティアを前進させ、材料研究と技術における新たな機会を可能にしている。

関連論文リスト

• Exploring structure diversity in atomic resolution microscopy with graph neural networks [18.903519247639355]
  ディープラーニングは、構造多様性を迅速で正確でインテリジェントな方法で探求するための強力なツールです。 この作業は、迅速で正確でインテリジェントな方法で構造多様性を探求する強力なツールを提供する。
  論文  参考訳（メタデータ） (2024-10-23T07:48:35Z)
• Crystalformer: Infinitely Connected Attention for Periodic Structure Encoding [10.170537065646323]
  結晶構造から材料の物性を予測することは、材料科学の基本的な問題である。 結晶構造が無限に繰り返し、原子の周期的な配列であり、完全に連結された注意が無限に連結された注意をもたらすことを示す。 本稿では, 結晶構造に対する簡単なトランスフォーマーベースエンコーダアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-03-18T11:37:42Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• Enhancing Neural Rendering Methods with Image Augmentations [59.00067936686825]
  本研究では,3次元シーンの学習型ニューラルレンダリング法(NRM)における画像拡張の利用について検討した。 トレーニング中に画像拡張を導入すると、幾何学的および測光的不整合などの課題が生じる。 本実験は,NRMの学習において,光学的品質向上や表面再構成など,拡張を取り入れることの利点を実証するものである。
  論文  参考訳（メタデータ） (2023-06-15T07:18:27Z)
• Developing Potential Energy Surfaces for Graphene-based 2D-3D Interfaces from Modified High Dimensional Neural Networks for Applications in Energy Storage [0.0]
  本研究では密度汎関数理論(DFT)法による2次元グラフェンと3次元スズ(Sn)系の界面について検討した。 計算要求シミュレーションデータを用いて機械学習(ML)に基づくポテンシャルエネルギー表面(PES)を開発する。
  論文  参考訳（メタデータ） (2022-03-12T17:54:56Z)
• Predicting Material Properties Using a 3D Graph Neural Network with Invariant Local Descriptors [0.4956709222278243]
  材料特性を正確に予測することは新しい材料の発見と設計に不可欠である。 機械学習の手法の中で、グラフ畳み込みニューラルネットワーク(GCNN)が最も成功したものの一つである。 隣接原子間の相互作用を3次元空間で同時にモデル化する,新規な畳み込みを持つ適応型GCNNを提案する。
  論文  参考訳（メタデータ） (2021-02-16T19:56:54Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)
• Hierarchical, rotation-equivariant neural networks to select structural models of protein complexes [6.092214762701847]
  タンパク質複合体の正確なモデルを特定するために,全ての原子の3次元位置から直接学習する機械学習手法を提案する。 我々のネットワークは、考えられるモデルの大きな集合のうち、正確な構造モデルの同定を大幅に改善する。
  論文  参考訳（メタデータ） (2020-06-05T20:17:12Z)

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。