論文の概要: Inferring geometry and material properties from Mueller matrices with machine learning

• arxiv url: http://arxiv.org/abs/2508.19713v1
• Date: Wed, 27 Aug 2025 09:20:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.575051
• Title: Inferring geometry and material properties from Mueller matrices with machine learning
• Title（参考訳）: 機械学習によるミュラー行列からの幾何学と材料特性の推測
• Authors: Lars Doorenbos, C. H. Lucas Patty, Raphael Sznitman, Pablo Márquez-Neila,
• Abstract要約: 我々は、様々な等方性物質の球面のデータセットを使用し、MMは全角領域を5つの可視波長で捉えた。 我々は、これらのMMのみを入力として、材料特性と表面正規化を予測するために機械学習モデルを訓練する。 材料タイプが不明な場合でも, 表面の正規分布を予測し, 物体形状を再構成できることを実証する。
• 参考スコア（独自算出の注目度）: 11.631182179426487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mueller matrices (MMs) encode information on geometry and material properties, but recovering both simultaneously is an ill-posed problem. We explore whether MMs contain sufficient information to infer surface geometry and material properties with machine learning. We use a dataset of spheres of various isotropic materials, with MMs captured over the full angular domain at five visible wavelengths (450-650 nm). We train machine learning models to predict material properties and surface normals using only these MMs as input. We demonstrate that, even when the material type is unknown, surface normals can be predicted and object geometry reconstructed. Moreover, MMs allow models to identify material types correctly. Further analyses show that diagonal elements are key for material characterization, and off-diagonal elements are decisive for normal estimation.
• Abstract（参考訳）: Mueller matrices (MMs) は、幾何学や材料特性に関する情報を符号化するが、両方の情報を同時に復元することは不適切な問題である。 我々は,MMが表面形状や材料特性を機械学習で推測するのに十分な情報を持っているかどうかを考察する。 我々は、様々な等方性物質の球面のデータセットを使用し、5波長 (450-650 nm) で全角領域上でMMを捕獲した。 我々は、これらのMMのみを入力として、材料特性と表面正規化を予測するために機械学習モデルを訓練する。 材料タイプが不明な場合でも, 表面の正規分布を予測し, 物体形状を再構成できることを実証する。 さらに、MMはモデルが物質タイプを正しく識別することを可能にする。 さらに分析した結果, 対角要素は材料特性の鍵であり, 対角要素は通常の推定に決定的であることがわかった。

関連論文リスト

• Augmenting Molecular Graphs with Geometries via Machine Learning Interatomic Potentials [63.945006006152035]
  正確な分子特性予測には3次元測地が必要であるが、これは一般的に密度汎関数理論(DFT)のような高価な手法を用いて得られる。 そこで我々は,機械学習の原子間ポテンシャル(MLIP)モデルのみに頼って分子幾何学の獲得を試みる。 MLIP基礎モデルは、3次元分子構造が与えられたエネルギーと力を予測するために教師付き学習で訓練されている。
  論文  参考訳（メタデータ） (2025-07-01T03:49:11Z)
• Discovery of sustainable energy materials via the machine-learned material space [0.0]
  機械学習モデルにより,ユーザのバイアスを伴わずに,材料空間の理解が得られることを示す。 エネルギー関連技術における重要な物質に対する、より持続可能な代替手段を特定するために、学習した物質空間をどのように利用できるかを示す。
  論文  参考訳（メタデータ） (2025-01-10T12:00:08Z)
• A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
  原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
  論文  参考訳（メタデータ） (2023-12-12T18:44:19Z)
• Alchemist: Parametric Control of Material Properties with Diffusion Models [51.63031820280475]
  本手法は,フォトリアリズムで知られているテキスト・イメージ・モデルの生成先行に乗じる。 我々は,NeRFの材料化へのモデルの適用の可能性を示す。
  論文  参考訳（メタデータ） (2023-12-05T18:58:26Z)
• Multimodal Foundation Models for Material Property Prediction and Discovery [7.167520424757711]
  材料の基礎モデルの自己教師型マルチモーダルトレーニングを可能にするマルチモーダル・ラーニング・フォー・マテリアル(MultiMat)を紹介した。 複数の軸上のMaterial Projectデータベースからのデータを用いて,MultiMatの可能性を示す。
  論文  参考訳（メタデータ） (2023-11-30T18:35:29Z)
• Towards Symmetry-Aware Generation of Periodic Materials [64.21777911715267]
  本稿では,周期構造体の物理対称性を捉える新しい物質生成手法であるSyMatを提案する。 SyMatは、変分オートエンコーダモデルを用いて、原子タイプセット、格子長、格子角を生成することによって、材料の原子タイプと格子を生成する。 我々は,SyMatが材料上のすべての対称性変換に理論的に不変であることを示し,SyMatがランダム生成および特性最適化タスクにおいて有望な性能を達成することを示す。
  論文  参考訳（メタデータ） (2023-07-06T01:05:34Z)
• How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
  我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。 具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
  論文  参考訳（メタデータ） (2021-11-10T21:19:02Z)
• Prediction of properties of metal alloy materials based on machine learning [6.827605235800052]
  本稿では, 金属合金の原子体積, 原子エネルギー, 原子生成エネルギーに関する実験を行う。 従来の機械学習モデル、ディープラーニングネットワーク、自動機械学習を通じて、材料特性予測における機械学習の有効性を検証する。 実験結果から,機械学習が材料特性を正確に予測できることが示唆された。
  論文  参考訳（メタデータ） (2021-09-20T09:40:36Z)

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。