論文の概要: STEM Diffraction Pattern Analysis with Deep Learning Networks

• arxiv url: http://arxiv.org/abs/2507.01889v1
• Date: Wed, 02 Jul 2025 16:58:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.388437
• Title: STEM Diffraction Pattern Analysis with Deep Learning Networks
• Title（参考訳）: 深層学習ネットワークを用いたSTEM回折パターン解析
• Authors: Sebastian Wissel, Jonas Scheunert, Aaron Dextre, Shamail Ahmed, Andreas Bayer, Kerstin Volz, Bai-Xiang Xu,
• Abstract要約: 本研究は、走査型透過電子顕微鏡(STEM)回折パターン(DP)から直接オイラー角を予測する機械学習に基づくアプローチを提案する。 これは高解像度結晶配向マップの自動生成を可能にし、ナノスケール内部の微細構造の解析を容易にする。 3つのディープラーニングアーキテクチャ – 畳み込みニューラルネットワーク(CNN)、Dense Convolutional Networks(DenseNets)、Shifted Windows(Swin) Transformers – は、商用TMアルゴリズムによってラベル付けされた実験的に取得されたデータセットを使用して評価される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate grain orientation mapping is essential for understanding and optimizing the performance of polycrystalline materials, particularly in energy-related applications. Lithium nickel oxide (LiNiO$_{2}$) is a promising cathode material for next-generation lithium-ion batteries, and its electrochemical behaviour is closely linked to microstructural features such as grain size and crystallographic orientations. Traditional orientation mapping methods--such as manual indexing, template matching (TM), or Hough transform-based techniques--are often slow and noise-sensitive when handling complex or overlapping patterns, creating a bottleneck in large-scale microstructural analysis. This work presents a machine learning-based approach for predicting Euler angles directly from scanning transmission electron microscopy (STEM) diffraction patterns (DPs). This enables the automated generation of high-resolution crystal orientation maps, facilitating the analysis of internal microstructures at the nanoscale. Three deep learning architectures--convolutional neural networks (CNNs), Dense Convolutional Networks (DenseNets), and Shifted Windows (Swin) Transformers--are evaluated, using an experimentally acquired dataset labelled via a commercial TM algorithm. While the CNN model serves as a baseline, both DenseNets and Swin Transformers demonstrate superior performance, with the Swin Transformer achieving the highest evaluation scores and the most consistent microstructural predictions. The resulting crystal maps exhibit clear grain boundary delineation and coherent intra-grain orientation distributions, underscoring the potential of attention-based architectures for analyzing diffraction-based image data. These findings highlight the promise of combining advanced machine learning models with STEM data for robust, high-throughput microstructural characterization.
• Abstract（参考訳）: 精密な結晶方位マッピングは、特にエネルギー関連の応用において多結晶材料の性能の理解と最適化に不可欠である。 酸化リチウム (LiNiO$_{2}$) は次世代リチウムイオン電池用として有望な陰極材料であり, 電気化学的挙動は結晶粒径や結晶方位などの微細構造と密接に関連している。 手動インデクシングやテンプレートマッチング(TM)、Hough変換ベースの手法といった従来の方向マッピング手法は、複雑なパターンや重複するパターンを扱う場合、しばしば遅く、ノイズに敏感であり、大規模なミクロ構造解析においてボトルネックとなる。 本研究では,走査型透過電子顕微鏡(STEM)回折パターン(DP)から直接オイラー角を予測する機械学習手法を提案する。 これにより、高分解能結晶配向マップの自動生成が可能となり、ナノスケール内部の微細構造の解析が容易になる。 3つのディープラーニングアーキテクチャ – 畳み込みニューラルネットワーク(CNN)、Dense Convolutional Networks(DenseNets)、Shifted Windows(Swin) Transformers – は、商用TMアルゴリズムによってラベル付けされた実験的に取得されたデータセットを使用して評価される。 CNNモデルはベースラインとして機能する一方で、DenseNetsとSwin Transformerはどちらも優れた性能を示し、Swin Transformerは最高評価スコアと最も一貫性のあるマイクロ構造予測を達成している。 得られた結晶図は、粒界境界線とコヒーレントな粒内配向分布を示し、回折に基づく画像データ解析のための注意に基づくアーキテクチャの可能性を示している。 これらの結果は、高度な機械学習モデルとSTEMデータを組み合わせることで、堅牢で高スループットなマイクロ構造解析を実現するという可能性を浮き彫りにしている。

関連論文リスト

• Review of Deep Learning Applications to Structural Proteomics Enabled by Cryogenic Electron Microscopy and Tomography [9.273554898053678]
  低温電子顕微鏡(cryoEM)とトモグラフィ(cryoET)の進歩により「cryoEM革命」は高分解能構造データにおいて指数関数的に成長した 構造的解決への深層学習の統合は、低信号対雑音比、優先方向アーティファクト、欠落問題など、長年にわたる課題に対処する。 本稿では,畳み込みニューラルネットワークを用いた自動粒子抽出から,好みの配向バイアスに対する計算解まで,CreoEMパイプライン全体にわたるAI応用について検討する。
  論文  参考訳（メタデータ） (2025-07-25T16:15:09Z)
• Deep learning-aided inverse design of porous metamaterials [0.0]
  この研究の究極的な目的は、深層学習に基づく生成フレームワークを用いて多孔質メタマテリアルの逆設計を探求することである。 本研究では, 特性変化型オートエンコーダ (pVAE) と回帰器を付加した可変型オートエンコーダ (VAE) を開発した。
  論文  参考訳（メタデータ） (2025-07-23T20:07:53Z)
• F-ANcGAN: An Attention-Enhanced Cycle Consistent Generative Adversarial Architecture for Synthetic Image Generation of Nanoparticles [3.124884279860061]
  F-ANcGANは,限られたデータサンプルを用いて学習可能な,注目度の高いサイクル一貫した生成対向系である。 本モデルでは,構造的関係を捉えるために,自己アテンションを備えたスタイルU-NetジェネレータとU-Netセグメンテーションネットワークを用いる。
  論文  参考訳（メタデータ） (2025-05-23T17:02:22Z)
• 3D variational autoencoder for fingerprinting microstructure volume elements [0.5892638927736115]
  微細構造ボリューム要素(VE)を符号化するための3次元変分オートエンコーダ(VAE)を提案する。 配向空間の結晶対称性は、前処理ステップとして結晶の基本領域にマッピングすることで説明される。 次に、VAEは、ランダムなテクスチャを持つ均質な多結晶構造を持つVEのトレーニングセットを符号化するために使用される。 このモデルは, トレーニング分布外のテクスチャ, 粒径, アスペクト比の微構造によく応用できることを示す。
  論文  参考訳（メタデータ） (2025-03-21T11:17:10Z)
• BHViT: Binarized Hybrid Vision Transformer [53.38894971164072]
  モデルバイナライゼーションは畳み込みニューラルネットワーク(CNN)のリアルタイムおよびエネルギー効率の計算を可能にした。 本稿では,バイナライズフレンドリーなハイブリッドViTアーキテクチャであるBHViTとそのバイナライズモデルを提案する。 提案アルゴリズムは,バイナリ ViT 手法間でSOTA 性能を実現する。
  論文  参考訳（メタデータ） (2025-03-04T08:35:01Z)
• Learning and Controlling Silicon Dopant Transitions in Graphene using Scanning Transmission Electron Microscopy [58.51812955462815]
  単層炭素原子上のシリコン原子の遷移ダイナミクスを機械学習で決定する手法を提案する。 データサンプルは、ニューラルネットワークをトレーニングして遷移確率を予測するために、シンボリック表現を生成するために処理され、フィルタリングされる。 これらの学習された遷移ダイナミクスを利用すれば、格子全体に1つのシリコン原子を誘導し、あらかじめ決定された目標目的地へと導くことができる。
  論文  参考訳（メタデータ） (2023-11-21T21:51:00Z)
• Automated Grain Boundary (GB) Segmentation and Microstructural Analysis in 347H Stainless Steel Using Deep Learning and Multimodal Microscopy [2.0445155106382797]
  オーステナイト347Hステンレス鋼は、極端な運転条件に要求される優れた機械的特性と耐食性を提供する。 CNNベースのディープラーニングモデルは、材料マイクログラフから機能を自動で検出する強力な技術である。 走査型電子顕微鏡(SEM)による347Hステンレス鋼のトレーニングデータと電子後方散乱(EBSD)マイクログラフを,粒界検出のためのピクセルワイドラベルとして組み合わせた。
  論文  参考訳（メタデータ） (2023-05-12T22:49:36Z)
• A Neural Network Transformer Model for Composite Microstructure Homogenization [1.2277343096128712]
  森田中法のような均質化法は、幅広い構成特性に対して急速な均質化をもたらす。 本稿では,様々なミクロ構造の知識を捉えたトランスフォーマーニューラルネットワークアーキテクチャについて述べる。 ネットワークは、履歴に依存し、非線形で、均質化されたストレス-ひずみ応答を予測する。
  論文  参考訳（メタデータ） (2023-04-16T19:57:52Z)
• Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
  本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。 軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
  論文  参考訳（メタデータ） (2022-05-31T13:26:51Z)
• Tracking perovskite crystallization via deep learning-based feature detection on 2D X-ray scattering data [137.47124933818066]
  本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。 有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
  論文  参考訳（メタデータ） (2022-02-22T15:39:00Z)
• 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)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。