論文の概要: Data-Driven Estimation of the interfacial Dzyaloshinskii-Moriya Interaction with Machine Learning

• arxiv url: http://arxiv.org/abs/2603.28812v1
• Date: Sat, 28 Mar 2026 09:39:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:02.546905
• Title: Data-Driven Estimation of the interfacial Dzyaloshinskii-Moriya Interaction with Machine Learning
• Title（参考訳）: 機械学習による界面ジアロシンスキー・モリヤ相互作用のデータ駆動推定
• Authors: Davi Rodrigues, Andrea Meo, Ali Hasan, Edoardo Piccolo, Adriano Di Pietro, Alessandro Magni, Marco Madami, Giovanni Finocchio, Mario Carpentieri, Michaela Kuepferling, Vito Puliafito,
• Abstract要約: 我々は,磁気バブル領域の包括的マイクロ磁気データセットに基づいて学習した,コンパクトな畳み込みニューラルネットワークを開発した。 提案するネットワークは, サンプルの不均一性, ノイズ, 空間分解能の低下に対して強い堅牢性を示す。 これらの結果は、界面DMIを用いて磁気テクスチャを特徴付ける、高速で定量的なツールとしての機械学習の利用を支援する。
• 参考スコア（独自算出の注目度）: 31.586889210133844
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning offers powerful tools to support experimental techniques, particularly for extracting latent features from large datasets. In magnetic materials, accurately estimating the interfacial Dzyaloshinskii-Moriya interaction strength remains challenging, as existing experimental methods often rely on indirect measurements and can yield inconsistent results across techniques. Because this interaction is often extracted experimentally from bubble domain expansion, we investigate whether bubble textures alone contain sufficient and reliable information for data driven DMI inference. We therefore develop a compact convolutional neural network trained on a comprehensive micromagnetic dataset of magnetic bubble domains designed to emulate magneto optical Kerr effect imaging, including structural non uniformity, additive noise, and image pixelation. The proposed network demonstrates strong robustness against sample inhomogeneities, noise, and reduced spatial resolution. Furthermore, it exhibits reliable generalization by accurately predicting DMI values outside the trained interval. These results support the use of machine learning as a fast and quantitative tool to characterize magnetic textures with interfacial DMI.
• Abstract（参考訳）: 機械学習は、実験的なテクニックをサポートする強力なツールを提供する。 磁性材料では、界面ジアルシンスキーとモリヤの相互作用強度を正確に推定することは困難であり、既存の実験手法は間接的な測定に依存しており、技術間で矛盾する結果をもたらすことがある。 この相互作用は、バブル領域展開から実験的に抽出されることが多いので、気泡テクスチャだけでは、データ駆動DMI推論に十分な信頼性のある情報が含まれているかどうかを考察する。 そこで我々は, 構造的非均一性, 付加雑音, 画像画素化を含む, 磁気光学カー効果イメージングをエミュレートするために設計された, 磁気バブル領域の包括的マイクロ磁気データセットに基づいて訓練された, コンパクトな畳み込みニューラルネットワークを開発した。 提案するネットワークは, サンプルの不均一性, ノイズ, 空間分解能の低下に対して強い堅牢性を示す。 さらに、トレーニング間隔外のDMI値を正確に予測し、信頼性の高い一般化を示す。 これらの結果は、界面DMIを用いて磁気テクスチャを特徴付ける、高速で定量的なツールとしての機械学習の利用を支援する。

関連論文リスト

• Autonomous Probe Microscopy with Robust Bag-of-Features Multi-Objective Bayesian Optimization: Pareto-Front Mapping of Nanoscale Structure-Property Trade-Offs [0.837047113864403]
  組合せ材料ライブラリーは、候補成分の大きなファミリーを生成するための効率的な方法である。 自動原子間力顕微鏡と磁気力顕微鏡を統合した自律走査型プローブ顕微鏡フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-01-09T04:55:36Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Deep Generative Learning of Magnetic Frustration in Artificial Spin Ice from Magnetic Force Microscopy Images [0.0]
  本研究は,スピンレンズ配置のネット磁気モーメントと方向方向の計算を自動化する。 第一段階では、スピンアイス構造内の磁気モーメントと方向を正確に予測するために機械学習モデルを訓練する。 提案手法の第2段階は、フラストレーションのある頂点とナノ磁気セグメントの正確な同定と予測を可能にする。
  論文  参考訳（メタデータ） (2025-07-23T17:40:39Z)
• PolSAM: Polarimetric Scattering Mechanism Informed Segment Anything Model [83.35198885088093]
  PolSARデータは、そのリッチで複雑な特徴のために、ユニークな課題を提示する。 複素数値データ、偏光特性、振幅画像などの既存のデータ表現が広く使われている。 PolSARのほとんどの機能抽出ネットワークは小さく、機能を効果的にキャプチャする能力を制限している。 本稿では,ドメイン固有の散乱特性と新規なプロンプト生成戦略を統合したSegment Anything Model (SAM) であるPolarimetric Scattering Mechanism-Informed SAM (PolSAM)を提案する。
  論文  参考訳（メタデータ） (2024-12-17T09:59:53Z)
• Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
  MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。 ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
  論文  参考訳（メタデータ） (2024-12-10T15:25:18Z)
• Diffusion MRI with Machine Learning [4.254099382808598]
  脳の拡散強調磁気共鳴イメージング(dMRI)には、ユニークな機能がある。 機械学習は、dMRI分析の難しいタスクのいくつかに取り組むのに非常に適しているかもしれない。
  論文  参考訳（メタデータ） (2024-01-01T13:03:35Z)
• Machine learning-based spin structure detection [0.0]
  我々は,この測定におけるスカイミオンの位置と形状を検出するために,セグメンテーション問題に特化して設計された畳み込みニューラルネットワークについて報告する。 本研究の結果から, よく訓練されたネットワークは, 磁気顕微鏡におけるデータ前処理の自動化に有効であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-24T17:19:31Z)
• Toward deep-learning-assisted spectrally-resolved imaging of magnetic noise [52.77024349608834]
  本研究では,基礎となるゆらぎ磁場のスペクトル密度を効率的に再構成するディープニューラルネットワークを実装した。 これらの結果は、色中心に基づくナノスケールセンシングとイメージングに機械学習手法を適用する機会を生み出す。
  論文  参考訳（メタデータ） (2022-08-01T19:18:26Z)
• Spatio-temporally separable non-linear latent factor learning: an application to somatomotor cortex fMRI data [0.0]
  潜在因子の脳全体の発見が可能なfMRIデータのモデルについて検討する。 空間重み付けを効率化するための新しい手法は、データの高次元性とノイズの存在に対処するために重要である。 本手法は,複数のモーターサブタスクを用いたデータを用いて,モデルが各サブタスクに対応する非絡み合った潜在因子を捕捉するかどうかを評価する。
  論文  参考訳（メタデータ） (2022-05-26T21:30:22Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)

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。