論文の概要: SemiConLens: Visual Analytics for 2D Semiconductor Discovery

• arxiv url: http://arxiv.org/abs/2605.04067v1
• Date: Sat, 11 Apr 2026 08:08:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 06:56:26.559353
• Title: SemiConLens: Visual Analytics for 2D Semiconductor Discovery
• Title（参考訳）: SemiConLens: 2D半導体発見のためのビジュアル分析
• Authors: Kavinda Athapaththu, Shiwei Chen, Yuan Fang, Sanchali Mitra, Yee Sin Ang, Yong Wang,
• Abstract要約: SemiConLensは、人間の専門知識とMLのパワーを組み合わせることで、効果的で信頼性の高い2D半導体発見を可能にする視覚分析手法である。 我々はまず,新しい相関認識多変量計算法(CAMI)を開発し,半導電率予測におけるスパースデータの課題に対処するためにオートエンコーダのようなMLモデルを用いた。 これに基づいて、我々の可視化モジュールは、2D半導体候補をインタラクティブにフィルタリングし、発見し、比較することを可能にする。 ユーザ設定可能なキー属性と予測の不確かさを効果的に表示するために,新しい円形グリフ設計とクラスタ対応レイアウト最適化手法を提案する。
• 参考スコア（独自算出の注目度）: 14.521974351871178
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The past few years have witnessed vibrant efforts in discovering new two-dimensional (2D) semiconductor materials from both academia and the industry, due to their promising potential in resolving the severe performance deterioration of traditional semiconductors resulting from condensed silicon thickness. However, existing methods (e.g., Density Functional Theory (DFT) or machine-learning-based approaches) suffer from various challenges such as small datasets, and reliability and trustworthiness issues. To bridge this gap, we propose SemiConLens, a visual analytics approach to combine human expertise with the power of ML to enable effective and reliable 2D semiconductor discovery. Specifically, we first develop a new Correlation Aware Multivariate Imputation (CAMI) method and use ML models like autoencoder, which can better learn from limited data and reveal uncertainty, to address the challenge of sparse data in semiconductivity prediction. Built upon this, our visualization module, consisting of three visualization views with linked interactions, allows material researchers to interactively filter, discover and compare 2D semiconductor candidates. A novel circular glyph design and a new cluster-aware layout optimization approach are proposed to effectively display all the user-configurable key attributes and possible prediction uncertainties of each semiconductor candidate, ensuring a reliable and trustable 2D semiconductor discovery. We assess SemiConLens through quantitative evaluations, expert interviews, and use cases. The results demonstrate SemiConLens's capability to help material researchers conduct effective discovery of desirable 2D semiconductors.
• Abstract（参考訳）: 過去数年間、ケイ素の濃厚化による半導体の性能劣化を解消する有望な可能性から、学術と産業の両方から新しい2次元(2D)半導体材料を発見するための活発な努力を目撃してきた。 しかし、既存の手法(例えば、密度汎関数理論(DFT)や機械学習に基づくアプローチ)は、小さなデータセットや信頼性や信頼性といった様々な課題に悩まされている。 このギャップを埋めるために,人間の専門知識とMLの能力を組み合わせた視覚分析手法であるSemiConLensを提案する。 具体的には,まず相関対応多変量計算法(CAMI)を開発し,限定データから学習し,不確実性を明らかにするオートエンコーダのようなMLモデルを用いて,半導電率予測におけるスパースデータの課題に対処する。 これに基づいて、3つの可視化ビューとリンクされた相互作用からなる可視化モジュールは、材料研究者が対話的に2D半導体候補をフィルタリングし、発見し、比較することを可能にする。 新規な円形グリフ設計とクラスタ対応レイアウト最適化手法を提案し, ユーザの構成可能なキー属性と各半導体候補の予測の不確かさを効果的に表示し, 信頼性と信頼性を確保する。 定量的評価,専門家インタビュー,ユースケースを通じて,SemiConLensを評価した。 この結果は、材料研究者が望ましい2D半導体を効果的に発見するのに役立つセミコンレンズの能力を示している。

関連論文リスト

• SemiKong: Curating, Training, and Evaluating A Semiconductor Industry-Specific Large Language Model [3.975091822125567]
  大型言語モデル (LLM) は半導体業界におけるいくつかの問題に対処する可能性を実証している。 それらはしばしば汎用的なモデルであり、この分野の独特な課題に取り組むのに必要な専門知識を欠いている。 SemiKongは、カスタマイズされたプロプライエタリなモデルを開発するために使用できる基盤を提供する。
  論文  参考訳（メタデータ） (2024-11-21T03:05:38Z)
• Multi-Stage Knowledge Integration of Vision-Language Models for Continual Learning [79.46570165281084]
  蒸留法における人間の学習過程をエミュレートするマルチステージ知識統合ネットワーク(MulKI)を提案する。 Mulkiは、イデオロギーの排除、新しいイデオロギーの追加、イデオロギーの排除、コネクティクスの作りという4つの段階を通じてこれを達成している。 提案手法は,下流タスク間の連続学習をサポートしながら,ゼロショット能力の維持における大幅な改善を示す。
  論文  参考訳（メタデータ） (2024-11-11T07:36:19Z)
• Robust Modality-incomplete Anomaly Detection: A Modality-instructive Framework with Benchmark [69.02666229531322]
  モダリティ不完全産業異常検出(MIIAD)の先駆的研究を紹介する。 その結果,既存のMIAD手法はMIIADベンチでは性能が悪く,性能が著しく低下していることが判明した。 本稿では,新しい2段階のロバストモードアリティファジングと検出フレームwoRk(RADAR)を提案する。
  論文  参考訳（メタデータ） (2024-10-02T16:47:55Z)
• Semi-supervised 3D Semantic Scene Completion with 2D Vision Foundation Model Guidance [8.07701188057789]
  我々は、高密度な注釈付きデータへの依存を軽減するために、新しい半教師付きフレームワークを導入する。 提案手法は2次元基礎モデルを用いて3次元シーンの幾何学的・意味的手がかりを生成する。 本手法は,10%のラベル付きデータを用いて全教師付き性能の最大85%を達成する。
  論文  参考訳（メタデータ） (2024-08-21T12:13:18Z)
• OccFusion: Depth Estimation Free Multi-sensor Fusion for 3D Occupancy Prediction [5.285847977231642]
  マルチセンサ融合に基づく自律走行システムの3次元占有予測 従来の核融合による3次元占有予測は2次元画像特徴の深度推定に頼っていた。 深度推定自由マルチモーダル融合フレームワークOccFusionを提案する。
  論文  参考訳（メタデータ） (2024-03-08T14:07:37Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• When Parameter-efficient Tuning Meets General-purpose Vision-language Models [65.19127815275307]
  PETALは、一意のモード近似技術によって達成される全パラメータの0.5%しか必要とせず、トレーニングプロセスに革命をもたらす。 実験の結果,PETALは現状の手法をほとんどのシナリオで上回るだけでなく,完全な微調整モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-12-16T17:13:08Z)
• DPANet: Depth Potentiality-Aware Gated Attention Network for RGB-D Salient Object Detection [107.96418568008644]
  そこで我々は,DPANetという新しいネットワークを提案し,深度マップの可能性を明確にモデル化し,モーダル間の相補性を効果的に統合する。 深度ポテンシャル知覚を導入することにより、ネットワークは深度情報のポテンシャルを学習ベースで知覚することができる。
  論文  参考訳（メタデータ） (2020-03-19T07:27:54Z)

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。