論文の概要: Autonomous Probe Microscopy with Robust Bag-of-Features Multi-Objective Bayesian Optimization: Pareto-Front Mapping of Nanoscale Structure-Property Trade-Offs
- arxiv url: http://arxiv.org/abs/2601.05528v1
- Date: Fri, 09 Jan 2026 04:55:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-12 17:41:49.841255
- Title: Autonomous Probe Microscopy with Robust Bag-of-Features Multi-Objective Bayesian Optimization: Pareto-Front Mapping of Nanoscale Structure-Property Trade-Offs
- Title（参考訳）: 機能的多目的ベイズ最適化を用いた自律プローブ顕微鏡:ナノスケール構造のパレート・フラントマッピング
- Authors: Kamyar Barakati, Haochen Zhu, C Charlotte Buchanan, Dustin A Gilbert, Philip Rack, Sergei V. Kalinin,
- Abstract要約: 組合せ材料ライブラリーは、候補成分の大きなファミリーを生成するための効率的な方法である。
自動原子間力顕微鏡と磁気力顕微鏡を統合した自律走査型プローブ顕微鏡フレームワークを開発した。
- 参考スコア（独自算出の注目度）: 0.837047113864403
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Combinatorial materials libraries are an efficient route to generate large families of candidate compositions, but their impact is often limited by the speed and depth of characterization and by the difficulty of extracting actionable structure-property relations from complex characterization data. Here we develop an autonomous scanning probe microscopy (SPM) framework that integrates automated atomic force and magnetic force microscopy (AFM/MFM) to rapidly explore magnetic and structural properties across combinatorial spread libraries. To enable automated exploration of systems without a clear optimization target, we introduce a combination of a static physics-informed bag-of-features (BoF) representation of measured surface morphology and magnetic structure with multi-objective Bayesian optimization (MOBO) to discover the relative significance and robustness of features. The resulting closed-loop workflow selectively samples the compositional gradient and reconstructs feature landscapes consistent with dense grid "ground truth" measurements. The resulting Pareto structure reveals where multiple nanoscale objectives are simultaneously optimized, where trade-offs between roughness, coherence, and magnetic contrast are unavoidable, and how families of compositions cluster into distinct functional regimes, thereby turning multi-feature imaging data into interpretable maps of competing structure-property trends. While demonstrated for Au-Co-Ni and AFM/MFM, the approach is general and can be extended to other combinatorial systems, imaging modalities, and feature sets, illustrating how feature-based MOBO and autonomous SPM can transform microscopy images from static data products into active feedback for real-time, multi-objective materials discovery.
- Abstract（参考訳）: 組合せ材料ライブラリーは、候補合成の大規模なファミリーを生成するための効率的なルートであるが、その影響は、キャラクタリゼーションの速度と深さ、複雑なキャラクタリゼーションデータから実行可能な構造-プロパティ関係を抽出することの難しさによって制限されることが多い。
本稿では、自動原子間力顕微鏡と磁気力顕微鏡(AFM/MFM)を統合した自律走査型プローブ顕微鏡(SPM)フレームワークを開発し、組合せ展開ライブラリの磁気特性と構造特性を迅速に探索する。
最適化対象を明確化せずにシステムの自動探索を可能にするため,測定面形態の静的な物理インフォームドバッグ(BoF)表現と,多目的ベイズ最適化(MOBO)による磁気構造を組み合わせ,特徴の相対的意義とロバスト性を明らかにする。
得られたクローズドループワークフローは、構成勾配を選択的にサンプリングし、高密度グリッド"グラウンド真理"測定と整合した特徴ランドスケープを再構築する。
結果としてパレート構造は、粗さ、コヒーレンス、磁気コントラストのトレードオフが避けられないような、複数のナノスケールの目的を同時に最適化し、どのように構成の族が異なる機能的レジームにクラスタリングし、多機能イメージングデータを競合する構造的傾向の解釈可能なマップに変換するかを明らかにする。
Au-Co-NiとAFM/MFMで実証されているが、このアプローチは一般的なものであり、他の組合せシステム、画像モダリティ、特徴セットに拡張することができる。
関連論文リスト
- Reward driven discovery of the optimal microstructure representations with invariant variational autoencoders [0.015295722752489374]
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。
論文 参考訳（メタデータ） (2025-09-30T20:15:42Z) - Deep learning-aided inverse design of porous metamaterials [0.0]
この研究の究極的な目的は、深層学習に基づく生成フレームワークを用いて多孔質メタマテリアルの逆設計を探求することである。
本研究では, 特性変化型オートエンコーダ (pVAE) と回帰器を付加した可変型オートエンコーダ (VAE) を開発した。
論文 参考訳（メタデータ） (2025-07-23T20:07:53Z) - Domain Switching on the Pareto Front: Multi-Objective Deep Kernel Learning in Automated Piezoresponse Force Microscopy [2.5041807796023425]
強誘電体偏極スイッチングは、幅広い材料や装置の機能的性能を支えている。
本稿では,画像データから直接スイッチング動作を規定するマイクロ構造規則を推論する多目的カーネル学習ワークフローを提案する。
強誘電体領域のスイッチングを実証する一方で、我々の手法は複雑で微分不可能な設計空間をナビゲートするための強力で一般化可能なツールを提供する。
論文 参考訳（メタデータ） (2025-06-09T17:58:27Z) - Curiosity Driven Exploration to Optimize Structure-Property Learning in Microscopy [0.4517077427559345]
本稿では、探索されていない構造-プロパティ関係を持つ領域を積極的にサンプリングする、代替的な軽量好奇性アルゴリズムを提案する。
本アルゴリズムは, 構造特性予測のためのランダムサンプリングよりも優れており, 材料科学における構造-プロパティ関係を効率的にマッピングするための便利なツールを提供する。
論文 参考訳（メタデータ） (2025-04-28T17:31:29Z) - PolSAM: Polarimetric Scattering Mechanism Informed Segment Anything Model [83.35198885088093]
PolSARデータは、そのリッチで複雑な特徴のために、ユニークな課題を提示する。
複素数値データ、偏光特性、振幅画像などの既存のデータ表現が広く使われている。
PolSARのほとんどの機能抽出ネットワークは小さく、機能を効果的にキャプチャする能力を制限している。
本稿では,ドメイン固有の散乱特性と新規なプロンプト生成戦略を統合したSegment Anything Model (SAM) であるPolarimetric Scattering Mechanism-Informed SAM (PolSAM)を提案する。
論文 参考訳（メタデータ） (2024-12-17T09:59:53Z) - Accelerated Multi-Contrast MRI Reconstruction via Frequency and Spatial Mutual Learning [50.74383395813782]
本稿では,周波数・空間相互学習ネットワーク(FSMNet)を提案する。
提案したFSMNetは, 加速度係数の異なるマルチコントラストMR再構成タスクに対して, 最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-09-21T12:02:47Z) - Learning Multiscale Consistency for Self-supervised Electron Microscopy
Instance Segmentation [48.267001230607306]
本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。
当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。
効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
論文 参考訳（メタデータ） (2023-08-19T05:49:13Z) - Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。
MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。
ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。
本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
論文 参考訳（メタデータ） (2020-10-24T08:50:26Z) - Deep Generative Modeling for Mechanistic-based Learning and Design of
Metamaterial Systems [20.659457956055366]
深部生成モデルに基づく新しいデータ駆動メタマテリアル設計フレームワークを提案する。
本研究では,VAEの潜伏空間が,形状類似度を測定するための距離メートル法を提供することを示す。
機能的グレードとヘテロジニアスなメタマテリアルシステムの両方を設計することで、我々のフレームワークを実証する。
論文 参考訳（メタデータ） (2020-06-27T03:56:55Z)
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。