論文の概要: Reward driven discovery of the optimal microstructure representations with invariant variational autoencoders

• arxiv url: http://arxiv.org/abs/2510.00243v1
• Date: Tue, 30 Sep 2025 20:15:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 14:32:17.174181
• Title: Reward driven discovery of the optimal microstructure representations with invariant variational autoencoders
• Title（参考訳）: 不変変分オートエンコーダを用いた最適微細構造表現の逆駆動による発見
• Authors: Boris N. Slautin, Kamyar Barakati, Hiroshi Funakubo, Maxim A. Ziatdinov, Vladimir V. Shvartsman, Doru C. Lupascu, Sergei V. Kalinin,
• Abstract要約: 変分オートエンコーダ(VAE)はそのような低次元表現を構築する強力な手段を提供する。 VAEは試行錯誤や経験分析によって最適化されることが多い。 本研究では,潜在空間表現を評価するための報酬ベース戦略について検討した。
• 参考スコア（独自算出の注目度）: 0.015295722752489374
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Microscopy techniques generate vast amounts of complex image data that in principle can be used to discover simpler, interpretable, and parsimonious forms to reveal the underlying physical structures, such as elementary building blocks in molecular systems or order parameters and phases in crystalline materials. Variational Autoencoders (VAEs) provide a powerful means of constructing such low-dimensional representations, but their performance heavily depends on multiple non-myopic design choices, which are often optimized through trial-and-error and empirical analysis. To enable automated and unbiased optimization of VAE workflows, we investigated reward-based strategies for evaluating latent space representations. Using Piezoresponse Force Microscopy data as a model system, we examined multiple policies and reward functions that can serve as a foundation for automated optimization. Our analysis shows that approximating the latent space with Gaussian Mixture Models (GMM) and Bayesian Gaussian Mixture Models (BGMM) provides a strong basis for constructing reward functions capable of estimating model efficiency and guiding the search for optimal parsimonious representations.
• Abstract（参考訳）: 顕微鏡技術は大量の複雑な画像データを生成し、原理的には、分子系の基本的な構成要素ブロックや結晶材料の秩序パラメータや相といった基礎となる物理的構造を明らかにするために、単純で解釈可能で相似的な形式を発見できる。 変分オートエンコーダ(VAE)は、そのような低次元表現を構築する強力な手段を提供するが、その性能は、試行錯誤や経験的分析によって最適化される複数の非光学的設計選択に大きく依存する。 VAEワークフローの自動化と非バイアス最適化を実現するため,潜在空間表現を評価するための報酬ベース戦略について検討した。 モデルシステムとしてPiezoresponse Force Microscopyデータを用いて、自動最適化の基礎となる複数のポリシーと報酬関数を検討した。 解析の結果,ガウス混合モデル (GMM) とベイジアン混合モデル (BGMM) による潜在空間の近似は,モデル効率を推定し,最適相似表現の探索を導くことができる報酬関数を構築する上で,強力な基礎となることが示された。

関連論文リスト

• SAM$^{*}$: Task-Adaptive SAM with Physics-Guided Rewards [0.5805874695844994]
  画像セグメンテーションは顕微鏡において重要な課題であり、複雑な視覚データを正確に分析し解釈するために不可欠である。 ここでは、ファインチューン基礎モデルに対する報酬関数に基づく最適化を提案する。 細胞構造, 材料界面, ナノスケールの特徴を解析するために, 精密セグメンテーションが不可欠である顕微鏡画像において, このアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2025-09-08T13:51:20Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• Physics-based reward driven image analysis in microscopy [5.581609660066545]
  本稿では,画像解析を動的に最適化するReward Functionの概念に基づく方法論を提案する。 Reward関数は、実験目標とより広いコンテキストと密接に整合するように設計されている。 高次元クラスタリングの物理駆動型報酬関数とアクション空間を作成することにより,部分非秩序領域の同定に向けた報酬関数のアプローチを拡張した。
  論文  参考訳（メタデータ） (2024-04-22T12:55:04Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• A Pareto-optimal compositional energy-based model for sampling and optimization of protein sequences [55.25331349436895]
  深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。 これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
  論文  参考訳（メタデータ） (2022-10-19T19:04:45Z)
• Scalable Gaussian Processes for Data-Driven Design using Big Data with Categorical Factors [14.337297795182181]
  ガウス過程(GP)は、大きなデータセット、カテゴリ入力、および複数の応答を調節するのに困難である。 本稿では,変分推論によって得られた潜伏変数と関数を用いて,上記の課題を同時に解決するGPモデルを提案する。 本手法は三元系酸化物材料の機械学習と多スケール対応機構のトポロジー最適化に有用である。
  論文  参考訳（メタデータ） (2021-06-26T02:17:23Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)

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。