論文の概要: DONUT: Physics-aware Machine Learning for Real-time X-ray Nanodiffraction Analysis

• arxiv url: http://arxiv.org/abs/2507.14038v1
• Date: Fri, 18 Jul 2025 16:10:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-21 20:43:26.350602
• Title: DONUT: Physics-aware Machine Learning for Real-time X-ray Nanodiffraction Analysis
• Title（参考訳）: DONUT:リアルタイムX線ナノ回折解析のための物理認識機械学習
• Authors: Aileen Luo, Tao Zhou, Ming Du, Martin V. Holt, Andrej Singer, Mathew J. Cherukara,
• Abstract要約: 本稿では,ナノビーム回折データの迅速かつ自動解析を目的とした物理対応ニューラルネットワークDONUTを紹介する。 微分可能な幾何回折モデルをアーキテクチャに直接組み込むことで、DONUTは結晶のひずみと配向をリアルタイムで予測することを学ぶ。 我々はDONUTが従来のフィッティング法よりも200倍以上の効率でデータ中の全ての特徴を正確に抽出できることを実験的に実証した。
• 参考スコア（独自算出の注目度）: 5.889405057118457
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Coherent X-ray scattering techniques are critical for investigating the fundamental structural properties of materials at the nanoscale. While advancements have made these experiments more accessible, real-time analysis remains a significant bottleneck, often hindered by artifacts and computational demands. In scanning X-ray nanodiffraction microscopy, which is widely used to spatially resolve structural heterogeneities, this challenge is compounded by the convolution of the divergent beam with the sample's local structure. To address this, we introduce DONUT (Diffraction with Optics for Nanobeam by Unsupervised Training), a physics-aware neural network designed for the rapid and automated analysis of nanobeam diffraction data. By incorporating a differentiable geometric diffraction model directly into its architecture, DONUT learns to predict crystal lattice strain and orientation in real-time. Crucially, this is achieved without reliance on labeled datasets or pre-training, overcoming a fundamental limitation for supervised machine learning in X-ray science. We demonstrate experimentally that DONUT accurately extracts all features within the data over 200 times more efficiently than conventional fitting methods.
• Abstract（参考訳）: コヒーレントX線散乱法は、ナノスケールにおける材料の基本的な構造に関する研究に重要である。 進歩によってこれらの実験はよりアクセスしやすくなったが、リアルタイム分析は重要なボトルネックであり、しばしば人工物や計算上の要求によって妨げられている。 空間的不均一性を解決するために広く用いられているX線ナノ回折顕微鏡の走査において、この課題は発散ビームと試料の局所構造との畳み込みによって複雑になる。 そこで本研究では,ナノビーム回折データの迅速かつ自動解析を目的とした物理対応ニューラルネットワークであるDONUT(Diffraction with Optics for Nanobeam by Unsupervised Training)を紹介する。 微分可能な幾何回折モデルをアーキテクチャに直接組み込むことで、DONUTは結晶のひずみと配向をリアルタイムで予測することを学ぶ。 重要なことに、これはラベル付きデータセットや事前トレーニングに頼ることなく達成され、X線科学における教師付き機械学習の基本的な制限を克服する。 我々はDONUTが従来のフィッティング法よりも200倍以上の効率でデータ中の全ての特徴を正確に抽出できることを実験的に実証した。

関連論文リスト

• XxaCT-NN: Structure Agnostic Multimodal Learning for Materials Science [0.27185251060695437]
  元素組成とX線回折(XRD)から直接学習するスケーラブルなフレームワークを提案する。 アーキテクチャは、モダリティ固有のエンコーダとクロスアテンション融合モジュールを統合し、500万サンプルのアレクサンドリアデータセットでトレーニングする。 本研究は, 材料科学の基礎モデルとして, 無構造, 実験的な基礎モデルへの道のりを定めている。
  論文  参考訳（メタデータ） (2025-06-27T21:45:56Z)
• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• Augmenting x-ray single particle imaging reconstruction with self-supervised machine learning [5.109422776828829]
  粒子配向を復元し、回折画像のみから相互空間強度を推定するエンド・ツー・エンドの自己教師型機械学習手法を提案する。 提案手法は,従来のアルゴリズムと比較して,再現性を大幅に向上した実験条件下での強靭性を示す。
  論文  参考訳（メタデータ） (2023-11-28T10:05:44Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• Machine learning-assisted close-set X-ray diffraction phase identification of transition metals [0.0]
  遷移金属とその酸化物のX線回折データから結晶構造相を予測するための機械学習手法について述べる。 このことは、機械学習がX線回折と結晶構造決定の分野に大きな影響を与える可能性を示している。
  論文  参考訳（メタデータ） (2023-04-28T09:29:10Z)
• Neural networks trained on synthetically generated crystals can extract structural information from ICSD powder X-ray diffractograms [0.6906005491572401]
  機械学習技術は粉末X線回折画像から構造情報を抽出するのに成功している。 本稿では,各空間群の対称性演算を用いて,ランダムな座標で合成結晶を生成する方法を提案する。 我々は,1時間に数百万のオンザフライ生成された合成ディフラクトグラムに対して,Deep ResNetライクなモデルのオンライントレーニングを実演する。
  論文  参考訳（メタデータ） (2023-03-21T09:37:29Z)
• 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)
• The Preliminary Results on Analysis of TAIGA-IACT Images Using Convolutional Neural Networks [68.8204255655161]
  本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。 The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
  論文  参考訳（メタデータ） (2021-12-19T15:17:20Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)

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。