論文の概要: Unsupervised Machine-Learning Pipeline for Data-Driven Defect Detection and Characterisation: Application to Displacement Cascades

• arxiv url: http://arxiv.org/abs/2510.24523v1
• Date: Tue, 28 Oct 2025 15:34:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:37.251546
• Title: Unsupervised Machine-Learning Pipeline for Data-Driven Defect Detection and Characterisation: Application to Displacement Cascades
• Title（参考訳）: データ駆動型欠陥検出・キャラクタリゼーションのための教師なし機械学習パイプライン:変位カスケードへの応用
• Authors: Samuel Del Fré, Andrée de Backer, Christophe Domain, Ludovic Thuinet, Charlotte S. Becquart,
• Abstract要約: 本研究では、変位カスケード欠陥を検出し、分類する、完全に教師なしの機械学習(ML)ワークフローを提案する。 Ni, Fe70Ni10Cr20, Zrの80keV変位カスケードを用いて, 欠陥形成に関与する不純物原子のごく一部を同定した。 ML外接点マップといくつかの従来の検出器間の統計的交差解析により、強い重複と相補的カバレッジが明らかとなった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Neutron irradiation produces, within a few picoseconds, displacement cascades that are sequences of atomic collisions generating point and extended defects which subsequently affects the long-term evolution of materials. The diversity of these defects, characterized morphologically and statistically, defines what is called the "primary damage". In this work, we present a fully unsupervised machine learning (ML) workflow that detects and classifies these defects directly from molecular dynamics data. Local environments are encoded by the Smooth Overlap of Atomic Positions (SOAP) vector, anomalous atoms are isolated with autoencoder neural networks (AE), embedded with Uniform Man- ifold Approximation and Projection (UMAP) and clustered using Hierarchical Density-Based Spatial Clustering of Applications with Noise (HDBSCAN). Applied to 80 keV displacement cascades in Ni, Fe70Ni10Cr20, and Zr, the AE successfully identify the small fraction of outlier atoms that participate in defect formation. HDBSCAN then partitions the UMAP latent space of AE-flagged SOAP de- scriptors into well defined groups representing vacancy- and interstitial-dominated regions and, within each, separates small from large aggregates, assigning 99.7 % of outliers to compact physical motifs. A signed cluster-identification score confirms this separation, and cluster size scales with net defect counts (R2 > 0.89). Statistical cross analyses between the ML outlier map and several conventional detectors (centrosymmetry, dislocation extraction, etc.) reveal strong overlap and complementary coverage, all achieved without template or threshold tuning. This ML workflow thus provides an efficient tool for the quantitative mapping of structural anomalies in materials, particularly those arising from irradiation damage in displacement cascades.
• Abstract（参考訳）: 中性子照射は、数ピコ秒以内に原子衝突の発生点と拡張欠陥のシーケンスである変位カスケードを生成し、その後、物質の長期的進化に影響を与える。 これらの欠陥の多様性は、形態学的および統計的に特徴づけられ、いわゆる「原始的な損傷」を定義している。 本研究では、分子動力学データから直接これらの欠陥を検出し分類する、完全に教師なしの機械学習(ML)ワークフローを提案する。 局所環境は、Smooth Overlap of Atomic Positions (SOAP)ベクターによって符号化され、異常原子はオートエンコーダニューラルネットワーク (AE) で分離され、Uniform Man-ifold Approximation and Projection (UMAP) に埋め込まれ、階層密度に基づくHDBSCAN (Herarchical Density-Based Spatial Clustering of Applications with Noise) を用いてクラスタリングされる。 80 keVのNi, Fe70Ni10Cr20, Zrの変位カスケードに応用して、AEは欠陥形成に関与する少数の外層原子を同定することに成功した。 HDBSCAN はその後、AE フラグ付き SOAP デスクリプタの UMAP 潜在空間を空きと間質的に支配された領域を表す明確に定義されたグループに分割し、それぞれの領域において小さな集合を大集合から分離し、99.7% の外れ値をコンパクトな物理モチーフに割り当てる。 署名されたクラスタ識別スコアはこの分離を確認し、クラスタサイズは純欠陥数(R2 > 0.89)でスケールする。 ML外接点マップといくつかの従来の検出器(中心対称性、転位抽出など)間の統計的交差解析により、テンプレートやしきい値の調整なしに、強い重なり合いと相補的なカバレッジが示される。 このMLワークフローは、材料、特に変位カスケードの照射損傷に起因する構造異常を定量的にマッピングする効率的なツールを提供する。

関連論文リスト

• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [54.85000884785013]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Center-aware Residual Anomaly Synthesis for Multi-class Industrial Anomaly Detection [2.3494824114381814]
  異常検出は産業画像の検査において重要な役割を担っている。 既存の手法では各カテゴリごとに別々のモデルが必要であり、結果としてデプロイコストが倍増する。 マルチクラス異常検出のためのCRAS(Center-Aware Residual Anomaly Synthesis)法を提案する。
  論文  参考訳（メタデータ） (2025-05-23T06:56:44Z)
• Breaking the Bias: Recalibrating the Attention of Industrial Anomaly Detection [20.651257973799527]
  RAAD(Recalibrating Attention of Industrial Anomaly Detection)は、アテンションマップを系統的に分解・再分類するフレームワークである。 HQSは、アテンションマップの階層性に基づいてビット幅を動的に調整する。 一つの3090tiを用いて,32データセットに対するRAADの有効性を検証した。
  論文  参考訳（メタデータ） (2024-12-11T08:31:47Z)
• MAPL: Memory Augmentation and Pseudo-Labeling for Semi-Supervised Anomaly Detection [0.0]
  メモリ拡張(Memory Augmentation)と擬似ラベル(Pseudo-Labeling, MAPL)と呼ばれる, 産業環境における表面欠陥検出のための新しいメソドロジーを導入する。 この手法は、まず異常シミュレーション戦略を導入し、希少または未知の異常型を認識するモデルの能力を著しく改善する。 入力データから直接異常領域を識別するために、MAPLによってエンドツーエンドの学習フレームワークが使用される。
  論文  参考訳（メタデータ） (2024-05-10T02:26:35Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
  教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。 不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。 非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。 我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
  論文  参考訳（メタデータ） (2023-08-29T13:38:35Z)

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。