Fugu-MT 論文翻訳(概要): STEMGym: Benchmarking Sequential Decision-Making under Dose Budgets in Autonomous Electron Microscopy

論文の概要: STEMGym: Benchmarking Sequential Decision-Making under Dose Budgets in Autonomous Electron Microscopy

arxiv url: http://arxiv.org/abs/2606.29592v1
Date: Sun, 28 Jun 2026 20:23:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-30 18:07:15.977365
Title: STEMGym: Benchmarking Sequential Decision-Making under Dose Budgets in Autonomous Electron Microscopy
Title（参考訳）: STEMGym: 自律電子顕微鏡における線量予算下での逐次決定過程のベンチマーク
Abstract要約: 自律型科学画像の中心的な前提は、よりスマートなナビゲーションがサンプル効率の獲得の主要なレバーであるということである。我々は、走査型透過電子顕微鏡における反対の証拠を提示する。本稿では,5つの材料,3つの難易度,4つの特徴化タスクにまたがる15のシミュレーション世界に関する,オープンソースのGymnasiumベンチマークを紹介する。
参考スコア（独自算出の注目度）: 2.3982445219832678
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A central premise of autonomous scientific imaging is that smarter navigation, whether Bayesian, RL-based, or otherwise adaptive, is the principal lever for sample-efficient acquisition. We present evidence to the contrary in scanning transmission electron microscopy (STEM), an atomic-resolution imaging modality whose every measurement deposits damaging electron dose. We introduce STEMGym, an open-source Gymnasium benchmark of 15 physics-simulated STEM worlds spanning five materials, three difficulty levels, and four characterisation tasks, scored by the Dose-Efficiency Curve area (DEC-AUC), a single scalar capturing the information-vs-dose Pareto frontier. Across 33 agent configurations under realistic dose budgets, the dominant determinant of dose efficiency is the analyst (perception) pipeline, not the navigator: pairing a trained CNN analyst with naïve raster scanning raises DEC-AUC by 5.5x over a CNN-free raster baseline (0.287 vs.\ 0.052), while substituting Bayesian or adaptive finite-state-machine navigation for raster yields no statistically significant further gain. Production-tier vision-language models further underperform task-specific CNNs by {\sim}13x on crystallographic defect analysis. By decoupling perception, navigation, and planning under a unified dose budget, STEMGym reframes where ML effort should be invested in autonomous electron microscopy and provides the measurement infrastructure to test it.
Abstract（参考訳）: 自律型科学画像の中心的な前提は、ベイジアン、RLベースの、あるいはそれ以外は適応性のある、よりスマートなナビゲーションが、サンプル効率の高い取得のための主要なレバーであるということである。走査型透過電子顕微鏡(STEM)では,各測定値が電子線量に損傷を与える原子分解能像のモダリティが示される。 STEMGymは,DEC-AUC(Dose-Efficiency Curve Area)が収集する5つの材料,3つの難易度,4つの特徴化タスクにまたがる15の物理シミュレーションSTEM世界を対象とした,オープンソースのGymnasiumベンチマークである。訓練されたCNNアナリストとナイーブ・ラスタースキャンを組み合わせると、CNNフリーのラスターベースライン(0.287対0.287)でDEC-AUCが5.5倍上昇する。 0.052) をベイズ式または適応有限状態機械式航法に置き換える一方で、統計的に有意な増加は得られない。生産層視覚言語モデルは、結晶学的欠陥解析において、さらにタスク固有のCNNを {\sim}13xによって性能的に劣る。 STEMGymは、統合された線量予算の下で知覚、ナビゲーション、プランニングを分離することで、自律電子顕微鏡にMLの取り組みを投資し、それをテストするための測定インフラを提供する。

関連論文リスト

Entropy Estimation in Multi-Qutrit Systems via Variational and Classical Neural Networks [0.0]
本稿では,変分量子アルゴリズム(VQA)と古典畳み込みニューラルネットワーク(CNN)を用いた多量子量子系におけるフォン・ノイマンエントロピー推定の系統的研究を行う。最大3キュートリットのシステムでは、ハードウェア効率のよいSU(3)インスパイアされたアンサーゼを11個構築し、評価する。大規模システム(2〜5キュートリット)では,テンソル積の非バイアスベースから測定結果を学習したCNNを用いて,高精度で安定した予測を行い,システムサイズによる性能の体系的改善を示す。
論文参考訳（メタデータ） (2026-06-18T17:22:13Z)
KAYRA: A Microservice Architecture for AI-Assisted Karyotyping with Cloud and On-Premise Deployment [0.0]
KAYRAは、臨床細胞遺伝学研究室の運用上の制約の中で機能するエンドツーエンドの核タイピングシステムである。 KAYRAはコンテナ化されたマイクロサービスパイプラインとして設計されており、MLスタックにはEfficientNet-B5 + U-Netセマンティックセグメント、Mask R-CNN(ResNet-50 + FPN)インスタンス、ResNet-18インスタンスが組み込まれている。 459染色体上の2つの商用基準核型分類システムに対する試験的臨床評価は、強い経験的性能を示す。
論文参考訳（メタデータ） (2026-04-29T16:35:31Z)
Design and Validation of a Lightweight 1D CNN for Affective Touch Classification in Soft Plush Companions [59.49967357689445]
ソフトなセンサー付きコンパニオンは、社会的支援技術のための物理的に安全で感情的に直感的なインターフェースを提供する。本研究では,ソフト・インタラクティブ・コンパニオンにおける感情的触覚認識のためのディープラーニングモデルの開発と検証を目的とした,オープンソースで拡張されたリアルタイムフレームワークを提案する。
論文参考訳（メタデータ） (2026-04-16T10:20:05Z)
SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
仮想セル摂動予測のための大規模基盤モデルを提案する。まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
論文参考訳（メタデータ） (2026-03-18T05:51:08Z)
scBench: Evaluating AI Agents on Single-Cell RNA-seq Analysis [6.518767416778027]
scBenchは、scRNA-seqデータセットに由来する394の検証可能な問題のベンチマークである。 8つのフロンティアモデルのベンチマークデータによると、精度は29～53%で、強力なモデルタスクとモデルプラットフォーム相互作用がある。
論文参考訳（メタデータ） (2026-02-09T03:20:31Z)
A Lightweight Transfer Learning-Based State-of-Health Monitoring with Application to Lithium-ion Batteries in Autonomous Air Vehicles [53.158733310637295]
トランスファーラーニングは、データ豊富なソース作業条件から知識を活用するための有望なテクニックである。従来のTL-based state-of-health(SOH)モニタリングは、ポータブルモバイルデバイスに適用すると実現不可能である。本稿では,CITLを用いた軽量SOHモニタリング手法を提案する。
論文参考訳（メタデータ） (2025-12-09T11:54:09Z)
A Large-Language-Model Assisted Automated Scale Bar Detection and Extraction Framework for Scanning Electron Microscopic Images [11.084738769064701]
マルチモーダルかつ自動スケールバー検出・抽出フレームワークを提案する。オブジェクト検出、テキスト検出、およびLarge Language Model (LLM)エージェントによるテキスト認識を同時に提供する。提案手法は,SEM画像におけるスケールバーの検出と抽出の効率と精度を大幅に向上させる。
論文参考訳（メタデータ） (2025-10-13T10:50:54Z)
Automated and Scalable SEM Image Analysis of Perovskite Solar Cell Materials via a Deep Segmentation Framework [6.6168431490300845]
本稿では,SEM画像セグメンテーションのためのディープラーニングフレームワークを提案する。 PerovSegNetという名前のモデルには、2つの新しいモジュールが組み込まれています。 PerovSegNetは平均平均精度87.25%で、265.4ギガ浮動小数点演算を実現している。
論文参考訳（メタデータ） (2025-09-30T17:18:51Z)
Iterative Sizing Field Prediction for Adaptive Mesh Generation From Expert Demonstrations [49.173541207550485]
Adaptive Meshing By Expert Reconstruction (AMBER) は模倣学習問題である。 AMBERは、グラフニューラルネットワークとオンラインデータ取得スキームを組み合わせて、専門家メッシュの投影されたサイズフィールドを予測する。我々は、人間の専門家が提供した2Dメッシュと3Dメッシュ上でAMBERを実験的に検証し、提供されたデモと密に一致し、シングルステップのCNNベースラインを上回った。
論文参考訳（メタデータ） (2024-06-20T10:01:22Z)
Building Flyweight FLIM-based CNNs with Adaptive Decoding for Object Detection [40.97322222472642]
本研究では、ユーザ描画マーカーからオブジェクトを検出するために、畳み込みニューラルネットワーク(CNN)層を構築する方法を提案する。糞便サンプルの顕微鏡画像におけるSchistosomiasis mansoni卵の検出と,衛星画像における船舶の検出に対処する。我々のCNNは、SOTAオブジェクト検出器より数千倍も小さく、CPU実行に適している。
論文参考訳（メタデータ） (2023-06-26T16:48:20Z)
Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
論文参考訳（メタデータ） (2023-03-03T14:14:08Z)
Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文参考訳（メタデータ） (2021-04-07T01:15:06Z)

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。