論文の概要: Automated Feature Tracking for Real-Time Kinematic Analysis and Shape Estimation of Carbon Nanotube Growth
- arxiv url: http://arxiv.org/abs/2508.19232v1
- Date: Tue, 26 Aug 2025 17:53:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-27 17:42:38.93917
- Title: Automated Feature Tracking for Real-Time Kinematic Analysis and Shape Estimation of Carbon Nanotube Growth
- Title（参考訳）: リアルタイムキネマティック解析のための自動機能追跡とカーボンナノチューブ成長の形状推定
- Authors: Kaveh Safavigerdini, Ramakrishna Surya, Jaired Collins, Prasad Calyam, Filiz Bunyak, Matthew R. Maschmann, Kannappan Palaniappan,
- Abstract要約: カーボンナノチューブ(CNT)はナノテクノロジーにおいて重要な構成要素である。
既存のex situメソッドは静的解析のみを提供する。
In-situ real-time Particle Tracking framework として Visual Feature Tracking (VFTrack) を提案する。
- 参考スコア（独自算出の注目度）: 6.872213668307556
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Carbon nanotubes (CNTs) are critical building blocks in nanotechnology, yet the characterization of their dynamic growth is limited by the experimental challenges in nanoscale motion measurement using scanning electron microscopy (SEM) imaging. Existing ex situ methods offer only static analysis, while in situ techniques often require manual initialization and lack continuous per-particle trajectory decomposition. We present Visual Feature Tracking (VFTrack) an in-situ real-time particle tracking framework that automatically detects and tracks individual CNT particles in SEM image sequences. VFTrack integrates handcrafted or deep feature detectors and matchers within a particle tracking framework to enable kinematic analysis of CNT micropillar growth. A systematic using 13,540 manually annotated trajectories identifies the ALIKED detector with LightGlue matcher as an optimal combination (F1-score of 0.78, $\alpha$-score of 0.89). VFTrack motion vectors decomposed into axial growth, lateral drift, and oscillations, facilitate the calculation of heterogeneous regional growth rates and the reconstruction of evolving CNT pillar morphologies. This work enables advancement in automated nano-material characterization, bridging the gap between physics-based models and experimental observation to enable real-time optimization of CNT synthesis.
- Abstract（参考訳）: カーボンナノチューブ(CNT)はナノテクノロジーにおいて重要なビルディングブロックであるが、その動的成長の特性は走査電子顕微鏡(SEM)イメージングを用いたナノスケール運動計測の実験的な課題によって制限されている。
既存のex situ法は静的解析のみを提供するが、in situ法は手動の初期化を必要とし、粒子毎の軌道分解が連続しないことが多い。
SEM画像シーケンス中の個々のCNT粒子を自動的に検出・追跡するリアルタイム粒子追跡フレームワークであるVisual Feature Tracking (VFTrack)を提案する。
VFTrackは、CNTマイクロピラー成長のキネマティック解析を可能にするために、ハンドクラフトまたはディープ特徴検出器とマッターを粒子追跡フレームワークに統合する。
13,540個の手動のアノテート軌跡を用いて、ALIKED検出器とLightGluematerを最適な組み合わせとして同定する(F1スコアは0.78、$\alpha$-scoreは0.89)。
VFTrack運動ベクトルは軸成長、横流、振動に分解され、不均一な局所的な成長速度の計算とCNT柱形態の再構築を促進する。
この研究は、CNT合成のリアルタイム最適化を可能にするために、物理モデルと実験観察の間のギャップを埋める、自動ナノマテリアルキャラクタリゼーションの進歩を可能にする。
関連論文リスト
- Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。
われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。
本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
論文 参考訳（メタデータ） (2025-07-15T17:57:48Z) - GALDS: A Graph-Autoencoder-based Latent Dynamics Surrogate model to predict neurite material transport [1.104960878651584]
本稿では,ニューラルツリー内の物質輸送シミュレーションを効率化するグラフオートコーダを用いたレイトタント・ダイナミクス・サロゲートモデルを提案する。
提案手法は, 最大相対誤差8%で平均相対誤差3%を達成し, 従来のサロゲートモデルに比べて10倍の速度向上を示した。
論文 参考訳（メタデータ） (2025-07-15T00:22:00Z) - Generating Full-field Evolution of Physical Dynamics from Irregular Sparse Observations [25.000578433018223]
不規則なスパース観測から物理力学のフルフィールド進化を生成する新しいフレームワークである関数タッカー空間における逐次拡散について述べる。
本研究では, 復元精度と計算効率の両面で, 最先端の手法と比較して有意な改善が認められた。
論文 参考訳（メタデータ） (2025-05-14T11:09:15Z) - DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳（メタデータ） (2024-01-19T21:50:32Z) - SEGNO: Generalizing Equivariant Graph Neural Networks with Physical
Inductive Biases [66.61789780666727]
等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。
また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。
我々のモデルは最先端のベースラインよりも大幅に改善されている。
論文 参考訳（メタデータ） (2023-08-25T07:15:58Z) - 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) - Interpretable Joint Event-Particle Reconstruction for Neutrino Physics
at NOvA with Sparse CNNs and Transformers [124.29621071934693]
本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。
TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。
このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
論文 参考訳（メタデータ） (2023-03-10T20:36:23Z) - Deep-learning-based prediction of nanoparticle phase transitions during
in situ transmission electron microscopy [3.613625739845355]
我々は、過去のフレームのシーケンスの入力に基づいて、将来のビデオフレームのシーケンスを予測するために、ディープラーニングモデルを訓練する。
この能力は、動的反応条件下でのAuナノ粒子の粒径依存構造変化の洞察を与える。
新たな自動実験プラットフォームのための化学反応の次のステップを予測できるかもしれない。
論文 参考訳（メタデータ） (2022-05-23T15:50:24Z) - Physics informed machine learning with Smoothed Particle Hydrodynamics:
Hierarchy of reduced Lagrangian models of turbulence [0.6542219246821327]
この原稿は乱流に対するパラメータ化還元ラグランジアンモデルの階層を構築している。
Smoothed Particle Hydrodynamics (SPH) を通した物理的構造を、普遍関数近似器としてニューラルネットワーク(NN)に依存することによる影響について検討する。
論文 参考訳（メタデータ） (2021-10-25T22:57:40Z)
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。