論文の概要: Towards generalizable deep ptychography neural networks

• arxiv url: http://arxiv.org/abs/2509.25104v1
• Date: Mon, 29 Sep 2025 17:38:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:20.170017
• Title: Towards generalizable deep ptychography neural networks
• Title（参考訳）: 一般化可能なディープ・ポチグラフィー・ニューラルネットを目指して
• Authors: Albert Vong, Steven Henke, Oliver Hoidn, Hanna Ruth, Junjing Deng, Alexander Hexemer, Apurva Mehta, Arianna Gleason, Levi Hancock, Nicholas Schwarz,
• Abstract要約: 本研究では, 実験的な測定を行ったプローブと, 手続き的に生成したオブジェクトを組み合わせることで, プローブ学習を重視した教師なし学習ワークフローを提案する。 このプローブ中心のアプローチにより、1つの物理インフォームドニューラルネットワークは、複数のビームラインにわたって見えない実験を再構築することができる。
• 参考スコア（独自算出の注目度）: 30.626646289754095
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: X-ray ptychography is a data-intensive imaging technique expected to become ubiquitous at next-generation light sources delivering many-fold increases in coherent flux. The need for real-time feedback under accelerated acquisition rates motivates surrogate reconstruction models like deep neural networks, which offer orders-of-magnitude speedup over conventional methods. However, existing deep learning approaches lack robustness across diverse experimental conditions. We propose an unsupervised training workflow emphasizing probe learning by combining experimentally-measured probes with synthetic, procedurally generated objects. This probe-centric approach enables a single physics-informed neural network to reconstruct unseen experiments across multiple beamlines; among the first demonstrations of multi-probe generalization. We find probe learning is equally important as in-distribution learning; models trained using this synthetic workflow achieve reconstruction fidelity comparable to those trained exclusively on experimental data, even when changing the type of synthetic training object. The proposed approach enables training of experiment-steering models that provide real-time feedback under dynamic experimental conditions.
• Abstract（参考訳）: X線写真(X-ray ptychography)は、コヒーレントフラックスを多倍に増加させる次世代光源において、ユビキタスなデータ集約イメージング技術である。 高速化された取得率の下でのリアルタイムフィードバックの必要性は、従来の方法よりも高速な命令を提供するディープニューラルネットワークのようなサロゲート再構築モデルを動機付けている。 しかし、既存のディープラーニングアプローチは様々な実験条件において堅牢性に欠ける。 本研究では, 実験的な測定を行ったプローブと, 手続き的に生成したオブジェクトを組み合わせることで, プローブ学習を重視した教師なし学習ワークフローを提案する。 このプローブ中心のアプローチにより、1つの物理インフォームドニューラルネットワークは、複数のビームラインにわたって見えない実験を再構築することができる。 この合成ワークフローを用いて訓練されたモデルは、合成訓練対象のタイプを変更する場合でも、実験データにのみ訓練されたモデルに匹敵する再現忠実性を達成する。 提案手法は,動的実験条件下でリアルタイムフィードバックを提供する実験ステアリングモデルの訓練を可能にする。

関連論文リスト

• Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
  その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。 3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
  論文  参考訳（メタデータ） (2024-10-31T22:54:34Z)
• Epistemic Modeling Uncertainty of Rapid Neural Network Ensembles for Adaptive Learning [0.0]
  新しいタイプのニューラルネットワークは、高速ニューラルネットワークパラダイムを用いて提示される。 提案したエミュレータを組み込んだニューラルネットワークは,予測精度を損なうことなく,ほぼ瞬時に学習できることが判明した。
  論文  参考訳（メタデータ） (2023-09-12T22:34:34Z)
• 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)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• Neural Maximum A Posteriori Estimation on Unpaired Data for Motion Deblurring [87.97330195531029]
  本稿では、ニューラルネットワークをトレーニングし、失明したデータから視覚情報や鋭いコンテンツを復元するためのニューラルネットワークの最大Aポストエリオリ(NeurMAP)推定フレームワークを提案する。 提案されたNeurMAPは、既存のデブロアリングニューラルネットワークに対するアプローチであり、未使用データセット上のイメージデブロアリングネットワークのトレーニングを可能にする最初のフレームワークである。
  論文  参考訳（メタデータ） (2022-04-26T08:09:47Z)
• Deep Active Learning by Leveraging Training Dynamics [57.95155565319465]
  本稿では,学習力学を最大化するためにサンプルを選択する理論駆動型深層能動学習法(Dynamical)を提案する。 動的学習は、他のベースラインを一貫して上回るだけでなく、大規模なディープラーニングモデルでもうまくスケール可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-16T16:51:05Z)
• Physical model simulator-trained neural network for computational 3D phase imaging of multiple-scattering samples [1.112751058850223]
  サンプルコントラストを均質化する新しいモデルベースデータ正規化前処理法を開発した。 上皮扁平上皮細胞およびCaenorhabditis elegans wormsの実験的測定におけるこのフレームワークの能力を示す。
  論文  参考訳（メタデータ） (2021-03-29T17:43:56Z)
• Ensemble learning and iterative training (ELIT) machine learning: applications towards uncertainty quantification and automated experiment in atom-resolved microscopy [0.0]
  深層学習は、画像の分野をまたいだ迅速な特徴抽出の技法として登場した。 本稿では,原子分解電子顕微鏡における特徴抽出における深層学習の応用について検討する。 このアプローチは、深層学習解析に不確実性をもたらし、また、画像条件の変化によるネットワークの再訓練が人間のオペレータやアンサンブルからのネットワークの選択に代えて、分散のずれを補うための自動実験的検出を可能にする。
  論文  参考訳（メタデータ） (2021-01-21T05:29:26Z)
• Physics-based polynomial neural networks for one-shot learning of dynamical systems from one or a few samples [0.0]
  本論文は, 単純な振り子と世界最大規模のX線源の双方について, 実測結果について述べる。 提案手法により, ノイズ, 制限, 部分的な観測から複雑な物理を復元することができることが実証された。
  論文  参考訳（メタデータ） (2020-05-24T09:27:10Z)

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。