論文の概要: Protocol for Clustering 4DSTEM Data for Phase Differentiation in Glasses

• arxiv url: http://arxiv.org/abs/2509.00943v1
• Date: Sun, 31 Aug 2025 17:23:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.474372
• Title: Protocol for Clustering 4DSTEM Data for Phase Differentiation in Glasses
• Title（参考訳）: ガラスの位相差のための4DSTEMデータのクラスタリングプロトコル
• Authors: Mridul Kumar, Yevgeny Rakita,
• Abstract要約: Ge-Sb-Te合金のような相変化材料(PCM)は不揮発性メモリ用途に広く用いられている。 Ge-Sb-Teの組成および構造的不均一性を同定するために, 教師なし機械学習を4次元走査透過電子顕微鏡(4D-STEM)データに適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Phase-change materials (PCMs) such as Ge-Sb-Te alloys are widely used in non-volatile memory applications due to their rapid and reversible switching between amorphous and crystalline states. However, their functional properties are strongly governed by nanoscale variations in composition and structure, which are challenging to resolve using conventional techniques. Here, we apply unsupervised machine learning to 4-dimensional scanning transmission electron microscopy (4D-STEM) data to identify compositional and structural heterogeneity in Ge-Sb-Te. After preprocessing and dimensionality reduction with principal component analysis (PCA), cluster validation was performed with t-SNE and UMAP, followed by k-means clustering optimized through silhouette scoring. Four distinct clusters were identified which were mapped back to the diffraction data. Elemental intensity histograms revealed chemical signatures change across clusters, oxygen and germanium enrichment in Cluster 1, tellurium in Cluster 2, antimony in Cluster 3, and germanium again in Cluster 4. Furthermore, averaged diffraction patterns from these clusters confirmed structural variations. Together, these findings demonstrate that clustering analysis can provide a powerful framework for correlating local chemical and structural features in PCMs, offering deeper insights into their intrinsic heterogeneity.
• Abstract（参考訳）: Ge-Sb-Te合金のような相変化材料(PCM)は、アモルファス状態と結晶状態の迅速かつ可逆的な切り替えにより、不揮発性メモリ用途に広く用いられている。 しかし, その機能特性は, 従来の手法では解決が困難であったナノスケールの組成や構造の変化によって強く支配されている。 本稿では,Ge-Sb-Teの組成および構造的不均一性を同定するために,教師なし機械学習を4次元走査透過電子顕微鏡(4D-STEM)データに適用する。 主成分分析(PCA)による前処理および次元性低減後, t-SNEおよびUMAPを用いてクラスタ検証を行い, シルエットスコアリングにより最適化したk平均クラスタリングを行った。 4つの異なるクラスターが同定され、回折データにマッピングされた。 元素強度ヒストグラムでは、クラスター1における酸素、ゲルマニウムの濃縮、クラスター2におけるテルル、クラスター3におけるアンチモン、クラスター4におけるゲルマニウムの化学的な変化が示される。 さらに、これらのクラスターからの平均回折パターンは構造的変動を確認した。 これらの結果から,クラスタリング分析はPCMの局所的な化学的特徴と構造的特徴を関連付ける強力な枠組みとなり,本質的な不均一性についてより深い知見が得られることが示唆された。

関連論文リスト

• 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)
• Enhanced High-Dimensional Data Visualization through Adaptive Multi-Scale Manifold Embedding [0.7705234721762716]
  本稿では,適応型マルチスケールマニフォールド埋め込み (AMSME) アルゴリズムを提案する。 順序距離を導入することで、高次元空間における次元性の呪いの制約を克服できることが示される。 実験により,AMSMEはクラスタ内トポロジ構造を著しく保存し,クラスタ間分離を改善した。
  論文  参考訳（メタデータ） (2025-03-18T06:46:53Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Clustering Change Sign Detection by Fusing Mixture Complexity [7.620964812906982]
  クラスタ構造は、データが有限混合モデルで表現される場合、クラスタの数などの離散的な構造特性を指す。 私たちは、時間とともにクラスタ構造が徐々に変化するシナリオに注目します。 複数の混合数が可能である状況に対処するために, MC の拡張として MC 融合を提案する。
  論文  参考訳（メタデータ） (2024-03-27T05:50:23Z)
• Semi-Supervised Clustering via Structural Entropy with Different Constraints [30.215985625884922]
  本稿では,多種多様な制約を組み込んで,分割と階層クラスタリングを両立させる手法であるStructure Entropy (SSE) による半教師付きクラスタリングを提案する。 9つのクラスタリングデータセット上でSSEを評価し,それを11の半教師付きパーティショニングおよび階層クラスタリング手法と比較した。
  論文  参考訳（メタデータ） (2023-12-18T04:00:40Z)
• Photonic Quantum Computing For Polymer Classification [62.997667081978825]
  2つのポリマークラス (VIS) と近赤外 (NIR) は, ポリマーギャップの大きさに基づいて定義される。 高分子構造の二項分類に対する古典量子ハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2022-11-22T11:59:52Z)
• Unsupervised machine learning framework for discriminating major variants of concern during COVID-19 [1.5346017713894948]
  新型コロナウイルスの感染拡大は、ウイルスの突然変異率の高さから急速に進展した。 デルタやオミクロンのような一部のウイルスは、ウイルスの性質が変化し、感染や死亡率に繋がった。 教師なしの機械学習手法は、非ラベルデータの圧縮、キャラクタリゼーション、可視化を行うことができる。
  論文  参考訳（メタデータ） (2022-08-01T13:02:28Z)
• Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra [68.8204255655161]
  我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。 スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。 主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
  論文  参考訳（メタデータ） (2022-01-07T22:26:33Z)
• Generalized Clustering and Multi-Manifold Learning with Geometric Structure Preservation [47.65743823937763]
  一般化データのための幾何構造を保存した新しい汎用クラスタリング・マルチマニフォールド学習(GCML)フレームワークを提案する。 提案フレームワークでは,クラスタリング損失によって導かれる潜在空間において,多様体クラスタリングを行う。 クラスタリング指向の損失が潜伏空間の幾何学的構造を悪化させるという問題を克服するため, 局所的に多様体内構造を保存するための等尺的損失と, グローバルな多様体間構造のランキング損失が提案されている。
  論文  参考訳（メタデータ） (2020-09-21T03:04:57Z)

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。