論文の概要: Novelty-Driven Target-Space Discovery in Automated Electron and Scanning Probe Microscopy

• arxiv url: http://arxiv.org/abs/2603.16715v1
• Date: Tue, 17 Mar 2026 16:04:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.394082
• Title: Novelty-Driven Target-Space Discovery in Automated Electron and Scanning Probe Microscopy
• Title（参考訳）: 自動電子・走査プローブ顕微鏡における新規なターゲット空間発見
• Authors: Utkarsh Pratiush, Kamyar Barakati, Boris N. Slautin, Catherine C. Bodinger, Christopher D. Lowe, Brandi M. Cossairt, Sergei V. Kalinin,
• Abstract要約: 我々は、ターゲット空間における発見をガイドするディープラーニングBEACONフレームワークを開発した。 このベンチマークフレームワークは、発見駆動アルゴリズムを評価する基盤を提供する。 関連するノートブックが利用可能で、ユーザはベンチマークを再現し、テストし、メソッドを自身の機器やデータセットに適応することができる。
• 参考スコア（独自算出の注目度）: 0.5805874695844994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern automated microscopy faces a fundamental discovery challenge: in many systems, the most important scientific information does not reside in the immediately visible image features, but in the target space of sequentially acquired spectra or functional responses, making it essential to develop strategies that can actively search for new behaviors rather than simply optimize known objectives. Here, we developed a deep-kernel-learning BEACON framework that is explicitly designed to guide discovery in the target space by learning structure-property relationships during the experiment and using that evolving model to seek diverse response regimes. We first established the method through demonstration workflows built on pre-acquired ground-truth datasets, which enabled direct benchmarking against classical acquisition strategies and allowed us to define a set of monitoring functions for comparing exploration quality, target-space coverage, and surrogate-model behavior in a transparent and reproducible manner. This benchmarking framework provides a practical basis for evaluating discovery-driven algorithms, not just optimization performance. We then operationalized and deployed the workflow on STEM, showing that the approach can transition from offline validation to real experimental implementation. To support adoption and extension by the broader community, the associated notebooks are available, allowing users to reproduce the workflows, test the benchmarks, and adapt the method to their own instruments and datasets.
• Abstract（参考訳）: 現代の自動顕微鏡は、基本的な発見の課題に直面している: 多くのシステムでは、最も重要な科学的情報はすぐに見える画像の特徴には属さないが、連続的に取得されたスペクトルや機能的応答の標的空間には存在せず、既知の目的を最適化するのではなく、積極的に新しい行動を探索できる戦略を開発することが不可欠である。 そこで本研究では,実験中に構造-プロパティ関係を学習し,その進化モデルを用いて多様な応答機構を求めることによって,対象空間における発見をガイドする,深層カーネル学習BEACONフレームワークを開発した。 提案手法は,従来の買収戦略に対して直接ベンチマークを行い,探索品質,対象空間のカバレッジ,代理モデルの振る舞いを透過的かつ再現的な方法で比較するための監視機能セットを定義することができる。 このベンチマークフレームワークは、単に性能を最適化するのではなく、発見駆動型アルゴリズムを評価するための実践的な基盤を提供する。 次に、ワークフローをSTEM上で運用し、デプロイし、オフラインのバリデーションから実際の実験的な実装に移行することができることを示す。 より広範なコミュニティによる採用と拡張をサポートするために、関連するノートブックが利用可能で、ユーザーはワークフローを再現し、ベンチマークをテストし、メソッドを独自の機器やデータセットに適応することができる。

関連論文リスト

• Towards Agentic Intelligence for Materials Science [73.4576385477731]
  この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。 コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
  論文  参考訳（メタデータ） (2026-01-29T23:48:43Z)
• Comprehend, Divide, and Conquer: Feature Subspace Exploration via Multi-Agent Hierarchical Reinforcement Learning [19.64843401617767]
  本稿では,複雑なデータセットに対する強化学習に基づく部分空間探索戦略であるHRLFSを紹介する。 HRLFSは、反復的な特徴空間探索により、下流機械学習性能を向上させる。 また,HRLFSは関与するエージェントの数を減らし,総実行時間を短縮することを示した。
  論文  参考訳（メタデータ） (2025-04-24T08:16:36Z)
• Exploring the Precise Dynamics of Single-Layer GAN Models: Leveraging Multi-Feature Discriminators for High-Dimensional Subspace Learning [0.0]
  サブスペース学習の観点から,単層GANモデルのトレーニングダイナミクスについて検討する。 解析をサブスペース学習の領域にブリッジすることで,従来の手法と比較してGAN法の有効性を体系的に比較する。
  論文  参考訳（メタデータ） (2024-11-01T10:21:12Z)
• Flex: End-to-End Text-Instructed Visual Navigation from Foundation Model Features [59.892436892964376]
  本稿では,視覚に基づく制御ポリシを用いて,ロバストな閉ループ性能を実現するために必要な最小限のデータ要件とアーキテクチャ適応について検討する。 この知見はFlex (Fly lexically) で合成され, 凍結パッチワイド特徴抽出器として, 事前学習された視覚言語モデル (VLM) を用いたフレームワークである。 本研究では,本手法の有効性を,行動クローンによる訓練を実世界のシーンに応用した,四重項フライ・トゥ・ターゲットタスクに適用した。
  論文  参考訳（メタデータ） (2024-10-16T19:59:31Z)
• Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
  本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。 私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
  論文  参考訳（メタデータ） (2024-07-22T12:32:09Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• Active Sensing with Predictive Coding and Uncertainty Minimization [0.0]
  2つの生物学的計算から着想を得たエンボディード探索のためのエンドツーエンドの手法を提案する。 まず,迷路ナビゲーションタスクによるアプローチを実演し,環境の遷移分布と空間的特徴を明らかにする。 本モデルでは,視覚シーンを効率的に分類するための探索によって,教師なし表現を構築する。
  論文  参考訳（メタデータ） (2023-07-02T21:14:49Z)
• Texture-guided Saliency Distilling for Unsupervised Salient Object Detection [67.10779270290305]
  本研究では, 簡便かつ高精度な塩分濃度の知識を抽出するUSOD法を提案する。 提案手法は,RGB,RGB-D,RGB-T,ビデオSODベンチマーク上での最先端USOD性能を実現する。
  論文  参考訳（メタデータ） (2022-07-13T02:01:07Z)

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。