論文の概要: Multimodal Machine Learning for Integrating Heterogeneous Analytical Systems

• arxiv url: http://arxiv.org/abs/2602.00590v1
• Date: Sat, 31 Jan 2026 08:12:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.274848
• Title: Multimodal Machine Learning for Integrating Heterogeneous Analytical Systems
• Title（参考訳）: 不均一解析システムの統合のためのマルチモーダル機械学習
• Authors: Shun Muroga, Hideaki Nakajima, Taiyo Shimizu, Kazufumi Kobashi, Kenji Hata,
• Abstract要約: エンド・ツー・エンドのキャラクタリゼーションのための異種解析システムを統合する機械学習フレームワークを提案する。 本稿では,SEM画像から形態記述子を抽出し,得られた曲率,向き,交叉密度,空隙形状について述べる。 レーダプロットとUMAPによる可視化により、結晶性や絡み合いに応じてCNTフィルムの鮮明なクラスタリングが明らかになった。
• 参考スコア（独自算出の注目度）: 0.6734447582308918
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding structure-property relationships in complex materials requires integrating complementary measurements across multiple length scales. Here we propose an interpretable "multimodal" machine learning framework that unifies heterogeneous analytical systems for end-to-end characterization, demonstrated on carbon nanotube (CNT) films whose properties are highly sensitive to microstructural variations. Quantitative morphology descriptors are extracted from SEM images via binarization, skeletonization, and network analysis, capturing curvature, orientation, intersection density, and void geometry. These SEM-derived features are fused with Raman indicators of crystallinity/defect states, specific surface area from gas adsorption, and electrical surface resistivity. Multi-dimensional visualization using radar plots and UMAP reveals clear clustering of CNT films according to crystallinity and entanglements. Regression models trained on the multimodal feature set show that nonlinear approaches, particularly XGBoost, achieve the best predictive accuracy under leave-one-out cross-validation. Feature-importance analysis further provides physically meaningful interpretations: surface resistivity is primarily governed by junction-to-junction transport length scales, crystallinity/defect-related metrics, and network connectivity, whereas specific surface area is dominated by intersection density and void size. The proposed multimodal machine learning framework offers a general strategy for data-driven, explainable characterization of complex materials.
• Abstract（参考訳）: 複雑な材料における構造-物性関係を理解するには、複数の長さスケールで相補的な測定を統合する必要がある。 本稿では, カーボンナノチューブ (CNT) 膜において, 微細構造の変化に非常に敏感な, 不均一な解析系をエンド・ツー・エンドのキャラクタリゼーションのために統合した, 解釈可能な「マルチモーダル」機械学習フレームワークを提案する。 定量的なモルフォロジー記述子は、二項化、スケルトン化、ネットワーク解析、曲率、向き、交叉密度、空隙幾何によってSEM画像から抽出される。 これらのSEM起源の特徴は、結晶性/欠陥状態、気体吸着による特定の表面積、電気的表面比のラマン指標と融合している。 レーダプロットとUMAPを用いた多次元可視化により, 結晶性および絡み合いに応じてCNT膜の鮮明なクラスタリングが明らかになった。 マルチモーダル特徴集合で訓練された回帰モデルにより、非線形アプローチ、特にXGBoostは、残余のクロスバリデーションの下で最良の予測精度が得られることが示された。 表面比抵抗は、主に接合対接合輸送長スケール、結晶性/欠陥関連メトリクス、ネットワーク接続によって制御されるが、一方、特定の表面積は交差密度と空隙サイズによって支配される。 提案するマルチモーダル機械学習フレームワークは,データ駆動型・説明可能な複合材料評価のための一般的な戦略を提供する。

関連論文リスト

• Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
  この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。 分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。 細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T04:35:50Z)
• Explainable Multimodal Machine Learning for Revealing Structure-Property Relationships in Carbon Nanotube Fibers [0.0]
  本研究では, Explainable AI(XAI)を用いた特徴抽出のための因子分析を用いて, 多様なデータ型(マルチモーダルデータ)の分析を統合する。 この手法は多段加工条件と多スケール構造が複雑な影響を持つ材料特性のメカニズムを解明するための強力な手法である。
  論文  参考訳（メタデータ） (2025-02-11T09:29:23Z)
• Orientation-aware interaction-based deep material network in polycrystalline materials modeling [0.0]
  ディープマテリアルネットワーク(DMN)は効率的なサロゲートモデルとして提案されているが、テクスチャの進化を捉えるには不十分である。 ヒルマンデル原理に基づく指向性認識機構と相互作用機構を組み込んだ指向性認識インタラクションベースディープマテリアルネットワーク(ODMN)を提案する。 以上の結果から, ODMNは複雑な塑性変形下での機械的応答とテクスチャ進化を正確に予測し, 多結晶材料へのDMNの適用性を高めることが示唆された。
  論文  参考訳（メタデータ） (2025-02-04T16:25:15Z)
• A POD-TANN approach for the multiscale modeling of materials and macroelement derivation in geomechanics [0.0]
  本稿では,多角形分解(POD)と熱力学に基づくニューラルネットワーク(TANN)を組み合わせることで,複雑な非弾性系のマクロ的挙動を捉える手法を提案する。 以上の結果から,POD-TANN手法は実験結果の精度を再現するだけでなく,計算コストを低減し,不均一な非弾性地盤力学系のマルチスケールモデリングの実用的なツールとなることが示唆された。
  論文  参考訳（メタデータ） (2024-08-13T19:08:56Z)
• IME: Integrating Multi-curvature Shared and Specific Embedding for Temporal Knowledge Graph Completion [97.58125811599383]
  時間的知識グラフ(TKG)は時間次元を取り入れており、知識の進化を正確に捉えることができる。 本稿では,TKGCタスクのための新しい多曲率共有固有埋め込み(IME)モデルを提案する。 IMEは2つの重要な性質、すなわち空間共有性と空間固有性を含んでいる。
  論文  参考訳（メタデータ） (2024-03-28T23:31:25Z)
• PyNanospacing: TEM image processing tool for strain analysis and visualization [0.0]
  本稿では,幅広い材料を扱えるTEM画像処理のためのPythonコードを開発する。 平面間隔の局所的な差異を輪郭写像に変換し、格子拡大と圧縮の視覚的表現を可能にする。 ツールは非常に汎用的で、TEM画像を用いて材料特性を分析するのに大いに役立ちます。
  論文  参考訳（メタデータ） (2023-11-27T12:08:46Z)
• 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)
• Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
  我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。 結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。 シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
  論文  参考訳（メタデータ） (2022-02-01T03:53:39Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)

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。