論文の概要: PATHFINDER: Multi-objective discovery in structural and spectral spaces

• arxiv url: http://arxiv.org/abs/2604.04194v1
• Date: Sun, 05 Apr 2026 17:31:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.974101
• Title: PATHFINDER: Multi-objective discovery in structural and spectral spaces
• Title（参考訳）: PATHFINDER:構造空間とスペクトル空間における多目的発見
• Authors: Kamyar Barakati, Boris N. Slautin, Utkarsh Pratiush, Hiroshi Funakubo, Sergei V. Kalinin,
• Abstract要約: PATHFINDERは、新規に駆動された探索と最適化を組み合わせた自律顕微鏡のためのフレームワークである。 特徴空間と対象空間における新規性発見のバランスをとる測定値を選択し、情報的かつ実験的に作用する。 これらの結果は、最適化駆動のだけでなく、発見指向で広範で、人間の指示に反応する新しい自律顕微鏡のモードを示している。
• 参考スコア（独自算出の注目度）: 0.6738747756464843
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Automated decision-making is becoming key for automated characterization including electron and scanning probe microscopies and nano indentation. Most machine learning driven workflows optimize a single predefined objective and tend to converge prematurely on familiar responses, overlooking rare but scientifically important states. More broadly, the challenge is not only where to measure next, but how to coordinate exploration across structural, spectral, and measurement spaces under finite experimental budgets while balancing target-driven optimization with novelty discovery. Here we introduce PATHFINDER, a framework for autonomous microscopy that combines novelty driven exploration with optimization, helping the system discover more diverse and useful representations across structural, spectral, and measurement spaces. By combining latent space representations of local structure, surrogate modeling of functional response, and Pareto-based acquisition, the framework selects measurements that balance novelty discovery in feature and object space and are informative and experimentally actionable. Benchmarked on pre acquired STEM EELS data and realized experimentally in scanning probe microscopy of ferroelectric materials, this approach expands the accessible structure property landscape and avoids collapse onto a single apparent optimum. These results point to a new mode of autonomous microscopy that is not only optimization-driven, but also discovery-oriented, broad in its search, and responsive to human guidance.
• Abstract（参考訳）: 自動意思決定は、電子・走査型プローブ顕微鏡やナノインデンテーションを含む自動評価の鍵となっている。 ほとんどの機械学習駆動ワークフローは、単一の事前定義された目標を最適化し、稀だが科学的に重要な状態を見越して、慣れ親しんだ応答に早めに収束する傾向がある。 より広範に言えば、次の測定の場所だけでなく、限定的な実験予算の下で構造、スペクトル、測定空間を横断する探索を協調し、目標駆動最適化と新規発見のバランスをとる方法が課題である。 ここでは、新規性による探索と最適化を組み合わせた自律顕微鏡のためのフレームワークであるPATHFINDERを紹介し、システムは構造、スペクトル、測定空間にわたってより多様で有用な表現を発見するのに役立つ。 局所構造の潜在空間表現、機能的応答の代理モデル、およびパレートベースの取得を組み合わせることにより、特徴空間と対象空間における新規性発見のバランスをとる測定を選定し、情報的かつ実験的に作用する。 得られたSTEM EELSデータをベンチマークし,強誘電体材料の走査型プローブ顕微鏡で実験的に実現した。 これらの結果は、最適化駆動だけでなく、発見指向で、検索範囲が広く、人間の指示に反応する新しい自律顕微鏡のモードを示している。

関連論文リスト

• Novelty-Driven Target-Space Discovery in Automated Electron and Scanning Probe Microscopy [0.5805874695844994]
  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。
  論文  参考訳（メタデータ） (2026-03-17T16:04:20Z)
• 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)
• 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)
• Curiosity Driven Exploration to Optimize Structure-Property Learning in Microscopy [0.4517077427559345]
  本稿では、探索されていない構造-プロパティ関係を持つ領域を積極的にサンプリングする、代替的な軽量好奇性アルゴリズムを提案する。 本アルゴリズムは, 構造特性予測のためのランダムサンプリングよりも優れており, 材料科学における構造-プロパティ関係を効率的にマッピングするための便利なツールを提供する。
  論文  参考訳（メタデータ） (2025-04-28T17:31:29Z)
• Offline Model-Based Optimization: Comprehensive Review [61.91350077539443]
  オフライン最適化は、オフラインデータセットのみを使用してブラックボックス機能の最適化を目標とする、科学とエンジニアリングの基本的な課題である。 モデルベース最適化の最近の進歩は、オフライン固有の代理モデルと生成モデルを開発するために、ディープニューラルネットワークの一般化能力を活用している。 科学的な発見を加速させる効果が増大しているにもかかわらず、この分野は包括的なレビューを欠いている。
  論文  参考訳（メタデータ） (2025-03-21T16:35:02Z)
• SANE: Strategic Autonomous Non-Smooth Exploration for Multiple Optima Discovery in Multi-modal and Non-differentiable Black-box Functions [12.483622440363146]
  我々は、インテリジェントベイズ最適化ナビゲーションを容易にするために、戦略的自律非平滑探索(SANE)を開発した。 SANEは、一つの最適な場所に閉じ込められる傾向を避ける。 複数の最適領域の探索を容易にするため,従来のBOよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-09-18T20:04:51Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
  マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。 MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。 ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。 本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
  論文  参考訳（メタデータ） (2020-10-24T08:50:26Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。