論文の概要: CLIFF: Continual Learning for Incremental Flake Features in 2D Material Identification

• arxiv url: http://arxiv.org/abs/2508.17261v1
• Date: Sun, 24 Aug 2025 09:04:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.432197
• Title: CLIFF: Continual Learning for Incremental Flake Features in 2D Material Identification
• Title（参考訳）: CLIFF: 2次元材料識別におけるインクリメンタルフレーク特徴の継続的な学習
• Authors: Sankalp Pandey, Xuan Bac Nguyen, Nicholas Borys, Hugh Churchill, Khoa Luu,
• Abstract要約: CLIFF(Continuous-Learning Framework for Flake Layer Classification)を提案する。 CLIFFは、素早い微調整とプロンプトベースのベースラインよりもはるかに少ない精度で、競争精度を実現する。
• 参考スコア（独自算出の注目度）: 12.988803587453823
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying quantum flakes is crucial for scalable quantum hardware; however, automated layer classification from optical microscopy remains challenging due to substantial appearance shifts across different materials. In this paper, we propose a new Continual-Learning Framework for Flake Layer Classification (CLIFF). To our knowledge, this is the first systematic study of continual learning in the domain of two-dimensional (2D) materials. Our method enables the model to differentiate between materials and their physical and optical properties by freezing a backbone and base head trained on a reference material. For each new material, it learns a material-specific prompt, embedding, and a delta head. A prompt pool and a cosine-similarity gate modulate features and compute material-specific corrections. Additionally, we incorporate memory replay with knowledge distillation. CLIFF achieves competitive accuracy with significantly lower forgetting than naive fine-tuning and a prompt-based baseline.
• Abstract（参考訳）: 量子フレークの同定はスケーラブルな量子ハードウェアにとって重要であるが、光学顕微鏡による自動層分類は、異なる材料にまたがる実質的な外見の変化のため、依然として困難である。 本稿では,CLIFF(Continuous-Learning Framework for Flake Layer Classification)を提案する。 我々の知る限り、これは2次元(2次元)材料の領域における連続的な学習に関する最初の体系的研究である。 本手法は,基準材料上でトレーニングしたバックボーンとベースヘッドを凍結することにより,材料と光学特性の区別を可能にする。 新しい素材ごとに、材料固有のプロンプト、埋め込み、デルタヘッドを学ぶ。 プロンプトプールとコサイン相似ゲートは、特徴を変調し、材料固有の補正を演算する。 また,知識蒸留によるメモリリプレイも取り入れた。 CLIFFは、素早い微調整とプロンプトベースのベースラインよりもはるかに少ない精度で、競争精度を実現する。

関連論文リスト

• $\varphi$-Adapt: A Physics-Informed Adaptation Learning Approach to 2D Quantum Material Discovery [7.615935942148471]
  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。
  論文  参考訳（メタデータ） (2025-07-07T16:40:35Z)
• Continuous Knowledge-Preserving Decomposition with Adaptive Layer Selection for Few-Shot Class-Incremental Learning [73.59672160329296]
  CKPD-FSCILは、事前訓練された重量の未使用容量を解放する統合フレームワークである。 本手法は,適応性と知識保持の両面で,最先端の手法より一貫して優れている。
  論文  参考訳（メタデータ） (2025-01-09T07:18:48Z)
• MaskTerial: A Foundation Model for Automated 2D Material Flake Detection [48.73213960205105]
  MaskTerialと呼ばれる深層学習モデルを提案する。このモデルでは、インスタンスセグメンテーションネットワークを用いて、2D素材のフレークを確実に識別する。 このモデルは、ラベルのないデータからリアルな顕微鏡画像を生成する合成データ生成装置を用いて、広範囲に事前訓練されている。 六方晶窒化ホウ素などの低コントラスト材料の検出において,既存の技術よりも顕著な改善が認められた。
  論文  参考訳（メタデータ） (2024-12-12T15:01:39Z)
• A Hierarchical Architecture for Neural Materials [13.144139872006287]
  我々は新しいレベルの精度を提供するニューラルな外観モデルを導入する。 インセプションベースのコアネットワーク構造は、複数のスケールで素材の外観をキャプチャする。 入力を周波数空間にエンコードし、勾配に基づく損失を導入し、学習フェーズの進行に適応させる。
  論文  参考訳（メタデータ） (2023-07-19T17:00:45Z)
• A Generic Shared Attention Mechanism for Various Backbone Neural Networks [53.36677373145012]
  自己注意モジュール(SAM)は、異なる層にまたがる強い相関した注意マップを生成する。 Dense-and-Implicit Attention (DIA)はSAMをレイヤ間で共有し、長期間のメモリモジュールを使用する。 我々のシンプルで効果的なDIAは、様々なネットワークバックボーンを一貫して拡張できます。
  論文  参考訳（メタデータ） (2022-10-27T13:24:08Z)
• Exploring Inconsistent Knowledge Distillation for Object Detection with Data Augmentation [66.25738680429463]
  物体検出のための知識蒸留(KD)は、教師モデルから知識を伝達することで、コンパクトな検出器を訓練することを目的としている。 教師モデルの反直感的知覚に固有の知識を蒸留することを目的とした,一貫性のない知識蒸留(IKD)を提案する。 本手法は, 1段, 2段, アンカーフリーの物体検出器において, 最先端のKDベースラインより優れる。
  論文  参考訳（メタデータ） (2022-09-20T16:36:28Z)
• Machine-learning accelerated identification of exfoliable two-dimensional materials [0.0]
  2次元(2D)材料は、様々な特性を持つため、最近の研究の中心となっている。 バルク3次元(3D)材料が弱い結合エネルギーで保持された層によって形成される場合、正確かつ効率的に識別できることが重要である。 我々は、高速な幾何学的スクリーニングと組み合わせて、潜在的に剥離可能な材料を効率的に識別できる機械学習(ML)アプローチを開発した。
  論文  参考訳（メタデータ） (2022-07-18T14:48:53Z)
• Identification and classification of exfoliated graphene flakes from microscopy images using a hierarchical deep convolutional neural network [4.464084686836888]
  本稿では,Si/SiO2基板上に剥離したグラフェンフレークの厚さを自動的に同定し,分類する深層学習手法を提案する。 提案手法は階層的な深部畳み込みニューラルネットワークを用いて,従来の画像からの知識を保ちながら,新たなイメージを学習することができる。 その結果, 深層学習モデルでは, 抽出したグラフェンフレークの識別と分類に最大99%の精度が得られた。
  論文  参考訳（メタデータ） (2022-03-29T05:54:06Z)

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。