論文の概要: A Gaussian Parameterization for Direct Atomic Structure Identification in Electron Tomography

• arxiv url: http://arxiv.org/abs/2512.15034v1
• Date: Wed, 17 Dec 2025 02:52:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.833327
• Title: A Gaussian Parameterization for Direct Atomic Structure Identification in Electron Tomography
• Title（参考訳）: 電子線トモグラフィーにおける直接原子構造同定のためのガウスパラメータ化
• Authors: Nalini M. Singh, Tiffany Chien, Arthur R. C. McCray, Colin Ophus, Laura Waller,
• Abstract要約: 我々は、個々の原子の位置と性質を直接解くために、トモグラフィー逆問題を再構成する。 この表現は、学習された構造に強い物理的先行を付与し、実世界のイメージングアーティファクトに対する堅牢性の向上を示す。
• 参考スコア（独自算出の注目度）: 0.6198237241838559
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Atomic electron tomography (AET) enables the determination of 3D atomic structures by acquiring a sequence of 2D tomographic projection measurements of a particle and then computationally solving for its underlying 3D representation. Classical tomography algorithms solve for an intermediate volumetric representation that is post-processed into the atomic structure of interest. In this paper, we reformulate the tomographic inverse problem to solve directly for the locations and properties of individual atoms. We parameterize an atomic structure as a collection of Gaussians, whose positions and properties are learnable. This representation imparts a strong physical prior on the learned structure, which we show yields improved robustness to real-world imaging artifacts. Simulated experiments and a proof-of-concept result on experimentally-acquired data confirm our method's potential for practical applications in materials characterization and analysis with Transmission Electron Microscopy (TEM). Our code is available at https://github.com/nalinimsingh/gaussian-atoms.
• Abstract（参考訳）: 原子電子トモグラフィー(AET)は、粒子の2次元トモグラフィー・プロジェクションのシーケンスを取得し、基礎となる3次元表現を計算的に解くことによって、3次元原子構造の決定を可能にする。 古典的トモグラフィーアルゴリズムは、関心の原子構造に後処理された中間体積表現を解く。 本稿では,個々の原子の位置と性質を直接解くために,トモグラフィ逆問題を再構成する。 我々は、原子構造をガウスの集合としてパラメータ化し、その位置と性質は学習可能である。 この表現は、学習された構造に強い物理的先行を付与し、実世界のイメージングアーティファクトに対する堅牢性の向上を示す。 実験で得られたデータに対するシミュレーション実験と概念実証の結果から,透過電子顕微鏡(TEM)による材料評価と解析における本手法の可能性が確認された。 私たちのコードはhttps://github.com/nalinimsingh/gaussian-atomsで利用可能です。

関連論文リスト

• GaussianEM: Model compositional and conformational heterogeneity using 3D Gaussians [18.57590175845086]
  本稿では,Cryo-EM画像から構成的および構成的不均一性を同時にモデル化する擬似原子構造体であるGaussianEMを提案する。 このアプローチは、構造変化の直感的で解釈可能な記述を提供し、遷移軌道に沿った局所的な構造的一貫性を保持し、密度ベースモデルと対応する原子モデルの間のギャップを自然に橋渡しする。
  論文  参考訳（メタデータ） (2025-12-25T09:36:52Z)
• Beyond Atoms: Evaluating Electron Density Representation for 3D Molecular Learning [3.554781859726123]
  3次元畳み込みニューラルネットワーク(CNN)における3種類のボクセル入力型の比較を行った。 電子密度は本質的に体積密度であり、ボクセル格子は実験および計算された密度の両方に対して最も自然な表現を提供するため、ボクセルベースのCNNに焦点を当てる。
  論文  参考訳（メタデータ） (2025-11-26T20:42:31Z)
• CryoSplat: Gaussian Splatting for Cryo-EM Homogeneous Reconstruction [48.45613121595709]
  低温電子顕微鏡(cryo-EM)は、分子構造をほぼ原子の分解能で決定するのに役立つ。 単一粒子Cryo-EMにおける中心的な計算課題は、未知の方向で取得されたノイズの多い2Dプロジェクションから分子の3次元静電ポテンシャルを再構築することである。 本稿では,GMMをベースとしたCryoSplatを提案し,Gaussian splattingとCryo-EM画像形成の物理を統合する。
  論文  参考訳（メタデータ） (2025-08-06T23:24:43Z)
• Solving Inverse Problems in Protein Space Using Diffusion-Based Priors [36.726170589634826]
  低温EM密度マップなどの生体物理測定を3次元原子モデルに変換するための多用途フレームワークを提案する。 本手法は,測定プロセスの物理に基づくフォワードモデルと,タスクに依存しないデータ駆動型前処理モデルとを組み合わせる。
  論文  参考訳（メタデータ） (2024-06-06T16:38:53Z)
• 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)
• Learning and Controlling Silicon Dopant Transitions in Graphene using Scanning Transmission Electron Microscopy [58.51812955462815]
  単層炭素原子上のシリコン原子の遷移ダイナミクスを機械学習で決定する手法を提案する。 データサンプルは、ニューラルネットワークをトレーニングして遷移確率を予測するために、シンボリック表現を生成するために処理され、フィルタリングされる。 これらの学習された遷移ダイナミクスを利用すれば、格子全体に1つのシリコン原子を誘導し、あらかじめ決定された目標目的地へと導くことができる。
  論文  参考訳（メタデータ） (2023-11-21T21:51:00Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• Passive superresolution imaging of incoherent objects [63.942632088208505]
  手法は、Hermite-Gaussianモードとその重ね合わせのオーバーコンプリートベースで、画像平面内のフィールドの空間モード成分を測定することで構成される。 ディープニューラルネットワークは、これらの測定からオブジェクトを再構築するために使用される。
  論文  参考訳（メタデータ） (2023-04-19T15:53:09Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• Heterogeneous reconstruction of deformable atomic models in Cryo-EM [30.864688165021054]
  変形を少数の集団運動に還元した原子論的な表現に基づく異種再構成法について述べる。 各分布について、我々の手法が原子レベルの精度で中間原子モデルを再カプセル化可能であることを示す。
  論文  参考訳（メタデータ） (2022-09-29T22:35:35Z)
• End-to-End Simultaneous Learning of Single-particle Orientation and 3D Map Reconstruction from Cryo-electron Microscopy Data [6.492960184257025]
  低温電子顕微鏡(cryo-EM)は、同じ生体分子の異なるコピーから任意の向きに画像を提供する。 本稿では,Cryo-EMデータから各粒子の向きを学習するエンド・ツー・エンドの非教師的手法を提案する。
  論文  参考訳（メタデータ） (2021-07-07T00:39:58Z)
• Optimal radial basis for density-based atomic representations [58.720142291102135]
  データセットの構造的多様性を最も効率的に表現するために選択される適応的で最適な数値ベースを構築する方法について議論します。 トレーニングデータセットごとに、この最適なベースはユニークで、プリミティブベースに関して追加のコストなしで計算することができる。 この構成が精度と計算効率のよい表現をもたらすことを実証する。
  論文  参考訳（メタデータ） (2021-05-18T17:57:08Z)

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。