論文の概要: QuPAINT: Physics-Aware Instruction Tuning Approach to Quantum Material Discovery

• arxiv url: http://arxiv.org/abs/2602.17478v1
• Date: Thu, 19 Feb 2026 15:44:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:29.136453
• Title: QuPAINT: Physics-Aware Instruction Tuning Approach to Quantum Material Discovery
• Title（参考訳）: QuPAINT: 量子材料発見のための物理学的教育チューニングアプローチ
• Authors: Xuan-Bac Nguyen, Hoang-Quan Nguyen, Sankalp Pandey, Tim Faltermeier, Nicholas Borys, Hugh Churchill, Khoa Luu,
• Abstract要約: 光学顕微鏡画像から2次元の量子材料を特徴付けることは、微妙な層依存性のコントラスト、限られたラベル付きデータ、実験室と撮像装置間の大きなばらつきにより困難である。 この研究は、データとモデルの両方の観点からこれらの制限に対処する、新しい物理を意識したマルチモーダルフレームワークを提示している。 我々はまず、薄膜干渉下での量子材料フレクスのリアルな光学応答をシミュレートする物理ベースの合成データ生成装置、Synthiaを提示する。 我々はQMat-Instructを紹介した。QMat-Instructは量子材料のための最初の大規模インストラクションデータセットで、マルチモーダルな物理インフォームされた質問応答ペアで、マルチモーダル大言語モデル(ML)を教えるように設計されている。
• 参考スコア（独自算出の注目度）: 12.888415301529891
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Characterizing two-dimensional quantum materials from optical microscopy images is challenging due to the subtle layer-dependent contrast, limited labeled data, and significant variation across laboratories and imaging setups. Existing vision models struggle in this domain since they lack physical priors and cannot generalize to new materials or hardware conditions. This work presents a new physics-aware multimodal framework that addresses these limitations from both the data and model perspectives. We first present Synthia, a physics-based synthetic data generator that simulates realistic optical responses of quantum material flakes under thin-film interference. Synthia produces diverse and high-quality samples, helping reduce the dependence on expert manual annotation. We introduce QMat-Instruct, the first large-scale instruction dataset for quantum materials, comprising multimodal, physics-informed question-answer pairs designed to teach Multimodal Large Language Models (MLLMs) to understand the appearance and thickness of flakes. Then, we propose Physics-Aware Instruction Tuning (QuPAINT), a multimodal architecture that incorporates a Physics-Informed Attention module to fuse visual embeddings with optical priors, enabling more robust and discriminative flake representations. Finally, we establish QF-Bench, a comprehensive benchmark spanning multiple materials, substrates, and imaging settings, offering standardized protocols for fair and reproducible evaluation.
• Abstract（参考訳）: 光学顕微鏡画像から2次元の量子材料を特徴付けることは、微妙な層依存性のコントラスト、ラベル付きデータの制限、実験室と撮像装置間の大きなばらつきにより困難である。 既存のビジョンモデルは、物理的な事前知識がなく、新しい材料やハードウェア条件に一般化できないため、この領域で苦労している。 この研究は、データとモデルの両方の観点からこれらの制限に対処する、新しい物理を意識したマルチモーダルフレームワークを提示している。 我々はまず、薄膜干渉下での量子材料フレクスのリアルな光学応答をシミュレートする物理ベースの合成データ生成装置、Synthiaを提示する。 Synthiaは多種多様な高品質のサンプルを生成し、専門家の手動アノテーションへの依存を減らすのに役立つ。 QMat-Instructは量子材料のための最初の大規模命令データセットであり、マルチモーダルな物理インフォームされた質問応答ペアで構成され、フレークの外観と厚さを理解するためにMLLM(Multimodal Large Language Models)を教える。 そこで本研究では,物理情報処理モジュールを組み込んだマルチモーダルアーキテクチャであるQuPAINTを提案し,より堅牢で差別的なフレーク表現を実現する。 最後に、複数の材料、基板、画像設定にまたがる包括的なベンチマークであるQF-Benchを構築し、公正かつ再現可能な評価のための標準化されたプロトコルを提供する。

関連論文リスト

• Exploring Physical Intelligence Emergence via Omni-Modal Architecture and Physical Data Engine [50.62040226184694]
  我々はOmniFysicsについて紹介する。OmniFysicsは、画像、音声、ビデオ、テキスト間の理解を統一するコンパクトなオムニモーダルモデルである。 明示的な物理知識を注入するために、2つのコンポーネントからなる物理データエンジンを構築します。 実験は、標準マルチモーダルベンチマークにおける競合性能を示し、物理指向評価の結果を改善した。
  論文  参考訳（メタデータ） (2026-02-05T14:04:51Z)
• PI-Light: Physics-Inspired Diffusion for Full-Image Relighting [26.42056487076843]
  物理インスパイアされた拡散モデルを利用する2段階のフレームワークである、フルイメージのreLight($-Light, PI-Light)について、物理インスパイアされた拡散について紹介する。 本設計では, (i) バッチ認識, (ii) 物理的に可塑性光輸送を強制する物理誘導型ニューラルネットワークレンダリングモジュール, (iii) 物理的に意味のあるランドスケープに向けてトレーニングダイナミクスを規則化する物理誘導型損失を取り入れた。 実験により、$$-Lightは様々な材料にまたがるスペクトルのハイライトと拡散反射を合成し、従来のアプローチに比べて現実のシーンに優れた一般化を実現していることが示された。
  論文  参考訳（メタデータ） (2026-01-29T18:55:36Z)
• $\varphi$-Adapt: A Physics-Informed Adaptation Learning Approach to 2D Quantum Material Discovery [7.615935942148471]
  量子フレークのキャラクタリゼーションは量子ハードウェア工学における重要なステップである。 2次元の量子フレークを識別するコンピュータビジョン法が登場したが、それでもフレークの厚さを推定する上で大きな課題に直面している。 これらの障害を克服する物理インフォームド・アダプティブ・ラーニング・アプローチを最初に導入する。
  論文  参考訳（メタデータ） (2025-07-07T16:40:35Z)
• PhysGaia: A Physics-Aware Dataset of Multi-Body Interactions for Dynamic Novel View Synthesis [62.283499219361595]
  PhysGaiaは動的ノベルビュー合成(DyNVS)のために設計された物理対応のデータセットである。 私たちのデータセットは、複数のオブジェクト間のリッチな相互作用を伴う複雑な動的シナリオを提供します。 PhysGaiaは、動的ビュー合成、物理に基づくシーン理解、および物理シミュレーションと統合されたディープラーニングモデルの研究を著しく前進させる。
  論文  参考訳（メタデータ） (2025-06-03T12:19:18Z)
• MAPS: Advancing Multi-Modal Reasoning in Expert-Level Physical Science [62.96434290874878]
  現在のMLLM(Multi-Modal Large Language Models)は、一般的な視覚的推論タスクにおいて強力な機能を示している。 我々は,MLLMに基づく物理知覚とシミュレーションによるマルチモーダル科学推論(MAPS)という新しいフレームワークを開発した。 MAPSは、専門家レベルのマルチモーダル推論タスクを物理的知覚モデル(PPM)を介して物理図理解に分解し、シミュレータを介して物理的知識で推論する。
  論文  参考訳（メタデータ） (2025-01-18T13:54:00Z)
• IDArb: Intrinsic Decomposition for Arbitrary Number of Input Views and Illuminations [64.07859467542664]
  画像から幾何学的および物質的情報をキャプチャすることは、コンピュータビジョンとグラフィックスの基本的な課題である。 従来の最適化に基づく手法では、密集した多視点入力から幾何学、材料特性、環境照明を再構築するために数時間の計算時間を必要とすることが多い。 IDArbは、様々な照明条件下で、任意の画像に対して本質的な分解を行うために設計された拡散モデルである。
  論文  参考訳（メタデータ） (2024-12-16T18:52:56Z)
• Quantum-informed simulations for mechanics of materials: DFTB+MBD framework [40.83978401377059]
  本研究では, 材料工学に関連するシステムの力学特性を量子効果によってどのように変化させるかを検討する。 この作業で提示されたすべてのコード、データセット、サンプルを含むオープンソースリポジトリを提供する。
  論文  参考訳（メタデータ） (2024-04-05T16:59:01Z)
• MeLM, a generative pretrained language modeling framework that solves forward and inverse mechanics problems [0.0]
  本稿では, 様々な非線形前方・逆問題の解法として, フレキシブルなマルチモーダル力学言語モデル, MeLM を適用する。 このフレームワークは、バイオインスパイアされた階層的ハニカム設計やカーボンナノチューブ力学など、様々な例に適用されている。
  論文  参考訳（メタデータ） (2023-06-30T10:28:20Z)

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。