論文の概要: Hybrid Physics-Machine Learning Models for Quantitative Electron Diffraction Refinements

• arxiv url: http://arxiv.org/abs/2508.05908v1
• Date: Fri, 08 Aug 2025 00:13:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.035645
• Title: Hybrid Physics-Machine Learning Models for Quantitative Electron Diffraction Refinements
• Title（参考訳）: 定量的電子回折微細化のためのハイブリッド物理・機械学習モデル
• Authors: Shreshth A. Malik, Tiarnan A. S. Doherty, Benjamin Colmey, Stephen J. Roberts, Yarin Gal, Paul A. Midgley,
• Abstract要約: 本稿では,ニューラルネットワークに微分可能な物理シミュレーションを統合するハイブリッド物理機械学習フレームワークを提案する。 我々は3次元電子回折(3D-ED)構造改善への応用を通して,この枠組みを実証する。
• 参考スコア（独自算出の注目度）: 37.74101322610068
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-fidelity electron microscopy simulations required for quantitative crystal structure refinements face a fundamental challenge: while physical interactions are well-described theoretically, real-world experimental effects are challenging to model analytically. To address this gap, we present a novel hybrid physics-machine learning framework that integrates differentiable physical simulations with neural networks. By leveraging automatic differentiation throughout the simulation pipeline, our method enables gradient-based joint optimization of physical parameters and neural network components representing experimental variables, offering superior scalability compared to traditional second-order methods. We demonstrate this framework through application to three-dimensional electron diffraction (3D-ED) structure refinement, where our approach learns complex thickness distributions directly from diffraction data rather than relying on simplified geometric models. This method achieves state-of-the-art refinement performance across synthetic and experimental datasets, recovering atomic positions, thermal displacements, and thickness profiles with high fidelity. The modular architecture proposed can naturally be extended to accommodate additional physical phenomena and extended to other electron microscopy techniques. This establishes differentiable hybrid modeling as a powerful new paradigm for quantitative electron microscopy, where experimental complexities have historically limited analysis.
• Abstract（参考訳）: 物理相互作用は理論上よく記述されているが、実世界の実験効果は分析的にモデル化することが難しい。 このギャップに対処するために,ニューラルネットワークに微分可能な物理シミュレーションを統合するハイブリッド物理機械学習フレームワークを提案する。 シミュレーションパイプライン全体の自動微分を利用して、実験変数を表す物理パラメータとニューラルネットワークコンポーネントの勾配に基づく共同最適化を可能にし、従来の2階法に比べてスケーラビリティに優れる。 この枠組みを3次元電子回折(3D-ED)構造微細化に適用し, 簡単な幾何モデルに頼るのではなく, 回折データから直接複雑な厚さ分布を学習する。 本手法は, 原子位置, 熱変位, 厚さプロファイルを高忠実度で復元し, 合成および実験データセット間での最先端の精錬性能を実現する。 提案されたモジュラーアーキテクチャは、自然に追加の物理現象に対応できるように拡張でき、他の電子顕微鏡技術にも拡張できる。 これは、実験的複雑度が歴史的に限定的な分析を持つ定量的電子顕微鏡のための強力な新しいパラダイムとして、微分可能なハイブリッドモデリングを確立している。

関連論文リスト

• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• Neurally Integrated Finite Elements for Differentiable Elasticity on Evolving Domains [19.755626638375904]
  進化的暗黙の関数として定義された領域の弾性シミュレータ。これは効率的で堅牢で、形状や材料に関して微分可能である。 重要な技術的革新は、暗黙の格子セル上で堅牢な数値積分のために、二次点に適合するように小さなニューラルネットワークを訓練することである。 提案手法は, 暗黙の前方シミュレーション, 編集中の3次元形状の直接シミュレーション, 物理に基づく新しい形状とトポロジーの最適化と, 微分可能レンダリングの併用における有効性を示す。
  論文  参考訳（メタデータ） (2024-10-12T07:49:23Z)
• 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)
• A thermodynamically consistent physics-informed deep learning material model for short fiber/polymer nanocomposites [0.0]
  本研究では, 種々の環境条件下での短繊維強化ナノ粒子充填エポキシスの粘弾性・粘弾性挙動を解析するための物理インフォームド・ディープ・ラーニング(PIDL)モデルを提案する。 PIDLモデルは, 種々の熱水条件下での繊維およびナノ粒子の体積分画に対するエポキシ系ナノコンポジットの力学的挙動を正確に予測することができる。
  論文  参考訳（メタデータ） (2024-03-27T07:22:32Z)
• HyPer-EP: Meta-Learning Hybrid Personalized Models for Cardiac Electrophysiology [7.230055455268642]
  本稿では,個人化された心臓デジタル双生児を記述するための新しいハイブリッド・モデリング・フレームワークを提案する。 そこで我々は,物理系と神経系の両方のコンポーネントを識別するための新しいメタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-15T02:30:00Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)
• Learning the exchange-correlation functional from nature with fully differentiable density functional theory [0.0]
  我々は、完全に微分可能な3次元コーン・シャム密度汎関数論フレームワーク内での交換相関関数を置き換えるためにニューラルネットワークを訓練する。 我々の訓練された交換相関ネットワークは110分子の集合体における原子化とイオン化エネルギーの予測を改善した。
  論文  参考訳（メタデータ） (2021-02-08T14:25:10Z)

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。