論文の概要: $\varphi$-Adapt: A Physics-Informed Adaptation Learning Approach to 2D Quantum Material Discovery

• arxiv url: http://arxiv.org/abs/2507.05184v1
• Date: Mon, 07 Jul 2025 16:40:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.52032
• Title: $\varphi$-Adapt: A Physics-Informed Adaptation Learning Approach to 2D Quantum Material Discovery
• Title（参考訳）: $\varphi$-Adapt: 2次元量子材料発見のための物理インフォームド適応学習アプローチ
• Authors: Hoang-Quan Nguyen, Xuan Bac Nguyen, Sankalp Pandey, Tim Faltermeier, Nicholas Borys, Hugh Churchill, Khoa Luu,
• Abstract要約: 量子フレークのキャラクタリゼーションは量子ハードウェア工学における重要なステップである。 2次元の量子フレークを識別するコンピュータビジョン法が登場したが、それでもフレークの厚さを推定する上で大きな課題に直面している。 これらの障害を克服する物理インフォームド・アダプティブ・ラーニング・アプローチを最初に導入する。
• 参考スコア（独自算出の注目度）: 7.615935942148471
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Characterizing quantum flakes is a critical step in quantum hardware engineering because the quality of these flakes directly influences qubit performance. Although computer vision methods for identifying two-dimensional quantum flakes have emerged, they still face significant challenges in estimating flake thickness. These challenges include limited data, poor generalization, sensitivity to domain shifts, and a lack of physical interpretability. In this paper, we introduce one of the first Physics-informed Adaptation Learning approaches to overcome these obstacles. We focus on two main issues, i.e., data scarcity and generalization. First, we propose a new synthetic data generation framework that produces diverse quantum flake samples across various materials and configurations, reducing the need for time-consuming manual collection. Second, we present $\varphi$-Adapt, a physics-informed adaptation method that bridges the performance gap between models trained on synthetic data and those deployed in real-world settings. Experimental results show that our approach achieves state-of-the-art performance on multiple benchmarks, outperforming existing methods. Our proposed approach advances the integration of physics-based modeling and domain adaptation. It also addresses a critical gap in leveraging synthesized data for real-world 2D material analysis, offering impactful tools for deep learning and materials science communities.
• Abstract（参考訳）: 量子フレークのキャラクタリゼーションは量子ハードウェア工学における重要なステップである。 2次元の量子フレークを識別するコンピュータビジョン法が登場したが、それでもフレークの厚さを推定する上で大きな課題に直面している。 これらの課題には、データ制限、一般化の低さ、ドメインシフトへの敏感さ、物理的解釈性の欠如などが含まれる。 本稿では,これらの障害を克服する物理インフォームド適応学習手法について紹介する。 データ不足と一般化という2つの主要な問題に焦点をあてる。 まず,様々な材料や構成にまたがる多様な量子フレークサンプルを生成する合成データ生成フレームワークを提案する。 第二に、合成データで訓練されたモデルと実世界の環境にデプロイされたモデルとの間の性能ギャップを埋める物理インフォームド適応法である$\varphi$-Adaptを提案する。 実験結果から,本手法は複数のベンチマーク上での最先端性能を実現し,既存手法よりも優れた性能を示した。 提案手法は,物理に基づくモデリングとドメイン適応の統合を推し進めるものである。 また、合成データを現実世界の2D素材分析に活用する際の重要なギャップにも対処し、ディープラーニングや材料科学のコミュニティに影響力のあるツールを提供する。

関連論文リスト

• PhysiX: A Foundation Model for Physics Simulations [27.359872113159405]
  物理シミュレーションのための最初の大規模基礎モデルであるPhysorXを紹介する。 PhysiXはデータボトルネックに効果的に対処し、タスク固有のベースラインを上回ります。 その結果,自然ビデオから学んだ知識が物理シミュレーションにうまく移行できることが示唆された。
  論文  参考訳（メタデータ） (2025-06-21T18:10:12Z)
• Adversarial Disentanglement by Backpropagation with Physics-Informed Variational Autoencoder [0.0]
  物理系の部分的な知識の下での推測と予測は困難である。 本稿では,物理モデルとデータ駆動モデルの柔軟性を組み合わせた物理インフォームド変分オート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） (2025-06-16T16:18:25Z)
• PhysGaia: A Physics-Aware Dataset of Multi-Body Interactions for Dynamic Novel View Synthesis [62.283499219361595]
  PhysGaiaは動的ノベルビュー合成(DyNVS)のために設計された物理対応のデータセットである。 私たちのデータセットは、複数のオブジェクト間のリッチな相互作用を伴う複雑な動的シナリオを提供します。 PhysGaiaは、動的ビュー合成、物理に基づくシーン理解、および物理シミュレーションと統合されたディープラーニングモデルの研究を著しく前進させる。
  論文  参考訳（メタデータ） (2025-06-03T12:19:18Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• Physics-Enhanced Multi-fidelity Learning for Optical Surface Imprint [1.0878040851638]
  本稿では,MFNN(Multi-fidelity Neural Network)を用いた逆問題解法を提案する。 我々は、純粋なシミュレーションデータを通してNNモデルを構築し、次にトランスファーラーニングを介してsim-to-realギャップをブリッジする。 実際の実験データを収集することの難しさを考慮し、未知の物理を掘り出し、既知の物理を転写学習フレームワークに埋め込む。
  論文  参考訳（メタデータ） (2023-11-17T01:55:15Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• DeepPhysics: a physics aware deep learning framework for real-time simulation [0.0]
  データ駆動手法を用いて超弾性材料をシミュレートする手法を提案する。 ニューラルネットワークは、境界条件と結果の変位場との間の非線形関係を学習するために訓練される。 その結果, 限られたデータ量でトレーニングしたネットワークアーキテクチャは, 1ミリ秒未満で変位場を予測できることがわかった。
  論文  参考訳（メタデータ） (2021-09-17T12:15:47Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。