論文の概要: Automated Construction of Artificial Lattice Structures with Designer Electronic States

• arxiv url: http://arxiv.org/abs/2508.02581v1
• Date: Mon, 04 Aug 2025 16:38:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 14:37:41.191466
• Title: Automated Construction of Artificial Lattice Structures with Designer Electronic States
• Title（参考訳）: 設計電子状態を有する人工格子構造の自動構築
• Authors: Ganesh Narasimha, Mykola Telychko, Wooin Yang, Arthur P. Baddorf, P. Ganesh, An-Ping Li, Rama Vasudevan,
• Abstract要約: 銅基板上に一酸化炭素(CO)分子を空間的に操作することで人工構造を構築するための強化学習(RL)フレームワークを提案する。 提案手法は, アクティブドリフト補償と組み合わせた経路計画プロトコルを導入し, 人間の入力を著しく低減した構造体の原子的精密な製作を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Manipulating matter with a scanning tunneling microscope (STM) enables creation of atomically defined artificial structures that host designer quantum states. However, the time-consuming nature of the manipulation process, coupled with the sensitivity of the STM tip, constrains the exploration of diverse configurations and limits the size of designed features. In this study, we present a reinforcement learning (RL)-based framework for creating artificial structures by spatially manipulating carbon monoxide (CO) molecules on a copper substrate using the STM tip. The automated workflow combines molecule detection and manipulation, employing deep learning-based object detection to locate CO molecules and linear assignment algorithms to allocate these molecules to designated target sites. We initially perform molecule maneuvering based on randomized parameter sampling for sample bias, tunneling current setpoint and manipulation speed. This dataset is then structured into an action trajectory used to train an RL agent. The model is subsequently deployed on the STM for real-time fine-tuning of manipulation parameters during structure construction. Our approach incorporates path planning protocols coupled with active drift compensation to enable atomically precise fabrication of structures with significantly reduced human input while realizing larger-scale artificial lattices with desired electronic properties. To underpin of efficiency of our approach we demonstrate the automated construction of an extended artificial graphene lattice and confirm the existence of characteristic Dirac point in its electronic structure. Further challenges to RL-based structural assembly scalability are discussed.
• Abstract（参考訳）: 走査型トンネル顕微鏡(STM)で物質を操作することで、設計者の量子状態をホストする原子的に定義された人工構造を作成することができる。 しかし、STMチップの感度と組み合わせることで、様々な構成の探索が制限され、設計された特徴のサイズが制限される。 本研究では,STMチップを用いた銅基板上に一酸化炭素(CO)分子を空間的に操作することで,人工構造を構築するための強化学習(RL)ベースのフレームワークを提案する。 自動ワークフローは分子の検出と操作を組み合わせ、深層学習に基づくオブジェクト検出を用いてCO分子の探索と、これらの分子を指定されたターゲット部位に割り当てる線形代入アルゴリズムを使用する。 まず,サンプルバイアス,トンネル電流設定点,操作速度のランダム化パラメータサンプリングに基づいて分子操作を行う。 このデータセットはその後、RLエージェントのトレーニングに使用されるアクショントラジェクトリに構造化される。 その後、モデルがSTM上に展開され、構造構築中の操作パラメータをリアルタイムに微調整する。 提案手法では, アクティブドリフト補償と組み合わせた経路計画手法を用いて, 人体入力を著しく低減した構造体を原子的に精密に作製し, 所望の電子特性を持つ大規模人工格子を実現する。 提案手法の効率性を高めるために,拡張人工グラフェン格子の自動構築を実証し,その電子構造に特徴的なディラック点が存在することを確認する。 RLに基づく構造組立スケーラビリティのさらなる課題について論じる。

関連論文リスト

• 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)
• Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
  この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。 分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。 細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T04:35:50Z)
• STEM Diffraction Pattern Analysis with Deep Learning Networks [0.0]
  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。
  論文  参考訳（メタデータ） (2025-07-02T16:58:09Z)
• AutoChemSchematic AI: A Closed-Loop, Physics-Aware Agentic Framework for Auto-Generating Chemical Process and Instrumentation Diagrams [2.5875933818780363]
  現在のAI手法では、化学プロセスのスケーリングにおいて重要な役割を担っているにもかかわらず、PFDやPIDを自動生成することはできない。 産業用PFDとPIDの自動生成のための閉ループ対応物理フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-30T13:32:00Z)
• AI-Enhanced Automatic Design of Efficient Underwater Gliders [60.45821679800442]
  自動設計フレームワークの構築は、グライダー形状を表現する複雑さと、複雑な固体-流体相互作用をモデル化する際の計算コストが高いため、困難である。 非自明な船体形状の水中ロボットを作れるようにすることで、これらの制限を克服するAI強化型自動計算フレームワークを導入する。 提案手法は, 形状と制御信号の両面を協調的に最適化するアルゴリズムで, 低次幾何表現と微分可能なニューラルネット型流体代理モデルを用いる。
  論文  参考訳（メタデータ） (2025-04-30T23:55:44Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• Latent Conservative Objective Models for Data-Driven Crystal Structure Prediction [62.36797874900395]
  計算化学において、結晶構造予測は最適化問題である。 この問題に対処する1つのアプローチは、密度汎関数理論(DFT)に基づいてシミュレータを構築し、続いてシミュレーションで探索を実行することである。 我々は,LCOM(最近の保守的客観モデル)と呼ばれる我々の手法が,構造予測の成功率の観点から,最も優れたアプローチと同等に機能することを示す。
  論文  参考訳（メタデータ） (2023-10-16T04:35:44Z)
• Atomic structure generation from reconstructing structural fingerprints [1.2128971613239876]
  本稿では、原子中心対称性関数を表現として、条件付き変分オートエンコーダを生成モデルとして、エンドツーエンド構造生成手法を提案する。 我々は、概念実証として、サブナノメーターPtナノ粒子の新規で有効な原子構造を生成することに成功した。
  論文  参考訳（メタデータ） (2022-07-27T00:42:59Z)
• 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)
• Accelerated Simulations of Molecular Systems through Learning of their Effective Dynamics [4.276697874428501]
  本稿では,最大3桁のシミュレーションを行うための新しい枠組みを提案する。 ledは分子系の効果的なダイナミクスを学ぶ。 我々は、M"ueller-Brown電位、Trp Cageタンパク質、およびアラニンジペプチドにおけるLEDの有効性を実証する。
  論文  参考訳（メタデータ） (2021-02-17T15:15:37Z)

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。