論文の概要: Interpretable liquid crystal phase classification via two-by-two ordinal patterns

• arxiv url: http://arxiv.org/abs/2603.26723v1
• Date: Thu, 19 Mar 2026 21:16:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:13.109358
• Title: Interpretable liquid crystal phase classification via two-by-two ordinal patterns
• Title（参考訳）: 2対2順序パターンによる液晶相の解釈
• Authors: Leonardo G. J. M. Voltarelli, Natalia Osiecka-Drewniak, Marcin Piwowarczyk, Ewa Juszynska-Galazka, Rafael S. Zola, Matjaz Perc, Haroldo V. Ribeiro,
• Abstract要約: 本稿では,テクスチャを2対2の順序パターンの75次元周波数ベクトルにマッピングする表現を提案する。 本手法は, 未確認化合物に一般化し, 相同定と物質起源を正確に区別する。 これらの結果は、液晶画像解析のための解釈可能でスケーラブルなツールとして、2対2の順序パターンを確立した。
• 参考スコア（独自算出の注目度）: 0.17590081165362778
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Liquid crystal textures encode rich structural information, yet mapping these images to mesophase identity remains challenging because visually similar patterns can arise from distinct structures. Here we present a simple, interpretable representation that maps textures to a 75-dimensional frequency vector of two-by-two ordinal patterns, grouped into eleven symmetry-based types to characterize a large-scale dataset spanning seven mesophases. Combined with a simple machine learning classifier, this lightweight representation yields near-perfect phase recognition, including the difficult distinction between smectic A and smectic B mesophases. Our approach generalizes to unseen compounds and accurately distinguishes between phase identity and material origin. Unlike deep learning methods, each ordinal pattern is readily interpretable, and model explanations augmented with network visualizations of pattern interactions reveal the specific types and pairwise dependencies that drive each mesophase decision, providing compact, physically meaningful summaries of texture determinants. These results establish two-by-two ordinal patterns as an interpretable and scalable tool for liquid crystal image analysis, with potential applications to other complex patterned systems in materials science.
• Abstract（参考訳）: 液晶テクスチャは豊富な構造情報をエンコードするが、視覚的に類似したパターンが異なる構造から生じるため、これらの画像をメソフェーズのアイデンティティにマッピングすることは困難である。 ここでは、テクスチャを2つの順序パターンの75次元周波数ベクトルにマッピングし、11の対称性に基づくタイプに分類し、7つのメソフェーズにまたがる大規模データセットを特徴付ける。 単純な機械学習分類器と組み合わせて、この軽量表現は、スメクティックAとスメクティックBメソフェーズの区別が難しいなど、ほぼ完璧な位相認識をもたらす。 本手法は, 未確認化合物に一般化し, 相同定と物質起源を正確に区別する。 深層学習法とは異なり、各順序パターンは容易に解釈可能であり、パターン相互作用のネットワークビジュアライゼーションで強化されたモデル説明は、各メソフェーズ決定を駆動する特定のタイプとペアの依存関係を明らかにし、テクスチャ決定式のコンパクトで物理的に意味のある要約を提供する。 これらの結果は、液晶画像解析のための解釈可能でスケーラブルなツールとして、2対2の順序パターンを確立し、材料科学における他の複雑なパターンシステムにも応用できる可能性がある。

関連論文リスト

• Broad Spectrum Structure Discovery in Large-Scale Higher-Order Networks [1.7273380623090848]
  本稿では,大規模ハイパーグラフにおいて,メソスケールの広いスペクトルを効率的に表現し,発見する確率モデルについて紹介する。 低ランク表現を用いたクラス間の潜時相互作用による観測ノードの相互作用をモデル化することにより、我々はリッチな構造パターンを抽出する。 提案モデルは,最先端手法によるリンク予測を改善し,多様な実世界のシステムにおける解釈可能な構造を発見する。
  論文  参考訳（メタデータ） (2025-05-27T20:34:58Z)
• How Compositional Generalization and Creativity Improve as Diffusion Models are Trained [82.08869888944324]
  構成規則を学習するために生成モデルに必要なサンプルはいくつあるか? ルールを学習するために、データのどのシグナルが利用されるのか? ここで紹介する階層的クラスタリング機構と物理における再正規化群との関係について論じる。
  論文  参考訳（メタデータ） (2025-02-17T18:06:33Z)
• A Phase Transition in Diffusion Models Reveals the Hierarchical Nature of Data [51.03144354630136]
  最近の進歩は、拡散モデルが高品質な画像を生成することを示している。 我々はこの現象を階層的なデータ生成モデルで研究する。 t$の後に作用する後方拡散過程は相転移によって制御される。
  論文  参考訳（メタデータ） (2024-02-26T19:52:33Z)
• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [59.062085785106234]
  本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)
• Pair-Variational Autoencoders (PairVAE) for Linking and Cross-Reconstruction of Characterization Data from Complementary Structural Characterization Techniques [0.0]
  材料研究において、構造的特徴付けは、合成された材料の全体的形態的ビューを得るために、しばしば複数の相補的技術を必要とする。 複数のテクニックからペア構造的特徴付けデータに基づいてトレーニングできる機械学習モデルを持つことは、モデルが他方からひとつの特徴付けデータを生成するのに有用である。 本稿では,Small Angle X-Ray Scattering(SAXS)のデータとSEM(Small Angle X-Ray Scattering)の画像を表示する機械学習ワークフローであるPairVAEについて述べる。
  論文  参考訳（メタデータ） (2023-05-25T20:45:36Z)
• Unsupervised Multimodal Change Detection Based on Structural Relationship Graph Representation Learning [40.631724905575034]
  教師なしマルチモーダル変化検出は、時間に敏感な緊急アプリケーションにおいて重要な役割を果たす、実用的で困難なトピックである。 マルチモーダル画像における2種類のモダリティ非依存構造関係を利用する。 本稿では,2つの構造関係の類似性を測定するための構造関係グラフ表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-03T13:55:08Z)
• How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
  我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。 具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
  論文  参考訳（メタデータ） (2021-11-10T21:19:02Z)
• Orientation-Disentangled Unsupervised Representation Learning for Computational Pathology [6.468635277309852]
  本稿では,回転同変畳み込みネットワークの群構造を利用して,変分自動エンコーダフレームワークの拡張を提案する。 訓練されたモデルが単一セル画像の固有方向情報を効率的に切り離すことを示す。
  論文  参考訳（メタデータ） (2020-08-26T16:57:45Z)
• Using Wavelets and Spectral Methods to Study Patterns in Image-Classification Datasets [14.041012529932612]
  我々はウェーブレット変換とスペクトル法を用いて画像分類データセットの内容を分析する。 データセットから特定のパターンを抽出し、パターンとクラスの関係を見つける。 本手法は,これらのデータセットの学習可能性を理解し,解釈するためのパターン認識手法として利用できる。
  論文  参考訳（メタデータ） (2020-06-17T13:58:24Z)

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。