論文の概要: Benchmarking Machine Learning Approaches for Polarization Mapping in Ferroelectrics Using 4D-STEM
- arxiv url: http://arxiv.org/abs/2603.15582v1
- Date: Mon, 16 Mar 2026 17:45:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-17 18:28:58.707346
- Title: Benchmarking Machine Learning Approaches for Polarization Mapping in Ferroelectrics Using 4D-STEM
- Title（参考訳）: 4D-STEMを用いた強誘電体の偏極マッピングのためのベンチマーク機械学習手法
- Authors: Matej Martinc, Goran Dražič, Anton Kokalj, Katarina Žiberna, Janina Roknić, Matic Poberžnik, Sašo Džeroski, Andreja Benčan Golob,
- Abstract要約: 我々は,ニオブ酸強誘電体カリウムの4D-STEM回折パターンから偏光方向検出を自動化するために,複数の機械学習モデルをベンチマークした。
本研究は、電子顕微鏡解析のための堅牢で伝達可能な機械学習ツールの開発を導くものである。
- 参考スコア（独自算出の注目度）: 0.5660019164402329
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Four-dimensional scanning transmission electron microscopy (4D-STEM) provides rich, atomic-scale insights into materials structures. However, extracting specific physical properties - such as polarization directions essential for understanding functional properties of ferroelectrics - remains a significant challenge. In this study, we systematically benchmark multiple machine learning models, namely ResNet, VGG, a custom convolutional neural network, and PCA-informed k-Nearest Neighbors, to automate the detection of polarization directions from 4D-STEM diffraction patterns in ferroelectric potassium sodium niobate. While models trained on synthetic data achieve high accuracy on idealized synthetic diffraction patterns of equivalent thickness, the domain gap between simulation and experiment remains a critical barrier to real-world deployment. In this context, a custom made prototype representation training regime and PCA-based methods, combined with data augmentation and filtering, can better bridge this gap. Error analysis reveals periodic missclassification patterns, indicating that not all diffraction patterns carry enough information for a successful classification. Additionally, our qualitative analysis demonstrates that irregularities in the model's prediction patterns correlate with defects in the crystal structure, suggesting that supervised models could be used for detecting structural defects. These findings guide the development of robust, transferable machine learning tools for electron microscopy analysis.
- Abstract（参考訳）: 4次元走査透過電子顕微鏡(4D-STEM)は、材料構造に関する豊富な原子スケールの洞察を提供する。
しかし、強誘電体の機能的性質を理解するのに不可欠な偏極方向などの特定の物理的性質の抽出は依然として重要な課題である。
本研究では, 独自の畳み込みニューラルネットワークであるResNet, VGG, PCAインフォームドk-Nearest Neighborsの複数の機械学習モデルを系統的にベンチマークし, ニオブ酸強誘電体カリウムの4D-STEM回折パターンから偏光方向の検出を自動化する。
合成データに基づいてトレーニングされたモデルは、等価厚さの理想化された合成回折パターンに対して高い精度を達成するが、シミュレーションと実験の間の領域ギャップは、実世界の展開にとって重要な障壁である。
この文脈では、カスタムメイドのプロトタイプ表現トレーニングシステムとPCAベースの手法とデータ拡張とフィルタリングを組み合わせることで、このギャップを埋めることができる。
誤り解析により周期的な誤分類パターンが明らかとなり、全ての回折パターンが十分な情報を持っているわけではないことが示されている。
さらに, 定性的解析により, モデルの予測パターンの異常が結晶構造の欠陥と相関していることが示され, 教師付きモデルが構造欠陥の検出に有効であることが示唆された。
これらの知見は、電子顕微鏡解析のための堅牢で伝達可能な機械学習ツールの開発を導く。
関連論文リスト
- Why Physics Still Matters: Improving Machine Learning Prediction of Material Properties with Phonon-Informed Datasets [0.32622301272834514]
2種類のデータセットに対して学習したグラフニューラルネットワーク(GNN)モデルの有効性を評価する。
ケーススタディでは,光電子材料の原型ファミリーの電子的および機械的特性を予測するという課題に対処する。
フォノンインフォームドモデルは、データポイントが少ないにもかかわらず、ランダムに訓練されたモデルよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-11-19T08:16:10Z) - Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。
我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
論文 参考訳（メタデータ） (2025-10-20T17:56:01Z) - Direct Dual-Energy CT Material Decomposition using Model-based Denoising Diffusion Model [105.95160543743984]
本稿では,Dual-Energy Decomposition Model-based Diffusion (DEcomp-MoD) と呼ばれる深層学習手法を提案する。
Decomp-MoDは、教師なしスコアベースモデルと教師なしディープラーニングネットワークより優れていることを示す。
論文 参考訳（メタデータ） (2025-07-24T01:00:06Z) - STEM Diffraction Pattern Analysis with Deep Learning Networks [0.0]
本研究は、走査型透過電子顕微鏡(STEM)回折パターン(DP)から直接オイラー角を予測する機械学習に基づくアプローチを提案する。
これは高解像度結晶配向マップの自動生成を可能にし、ナノスケール内部の微細構造の解析を容易にする。
3つのディープラーニングアーキテクチャ – 畳み込みニューラルネットワーク(CNN)、Dense Convolutional Networks(DenseNets)、Shifted Windows(Swin) Transformers – は、商用TMアルゴリズムによってラベル付けされた実験的に取得されたデータセットを使用して評価される。
論文 参考訳（メタデータ） (2025-07-02T16:58:09Z) - Causal Discovery from Data Assisted by Large Language Models [50.193740129296245]
知識駆動発見のために、実験データと事前のドメイン知識を統合することが不可欠である。
本稿では、高分解能走査透過電子顕微鏡(STEM)データと大規模言語モデル(LLM)からの洞察を組み合わせることで、このアプローチを実証する。
SmドープBiFeO3(SmBFO)におけるChatGPTをドメイン固有文献に微調整することにより、構造的、化学的、分極的自由度の間の因果関係をマッピングするDAG(Directed Acyclic Graphs)の隣接行列を構築する。
論文 参考訳（メタデータ） (2025-03-18T02:14:49Z) - Exploring structure diversity in atomic resolution microscopy with graph neural networks [18.903519247639355]
ディープラーニングは、構造多様性を迅速で正確でインテリジェントな方法で探求するための強力なツールです。
この作業は、迅速で正確でインテリジェントな方法で構造多様性を探求する強力なツールを提供する。
論文 参考訳（メタデータ） (2024-10-23T07:48:35Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Machine Learning Benchmarks for the Classification of Equivalent Circuit
Models from Electrochemical Impedance Spectra [0.0]
本稿では,BatteryDEVハッカソン用にQuantumScapeが提供する9,300のインピーダンススペクトルを分類する機械学習手法を紹介する。
重要な課題はラベルの識別可能性であり、モデル性能と誤分類スペクトルの比較によって下線化されている。
論文 参考訳（メタデータ） (2023-02-07T10:08:35Z) - 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) - Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。
そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。
画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
論文 参考訳（メタデータ） (2020-02-18T17:58:07Z)
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。