論文の概要: DeepCormack: Fermi surface tomography using model-based data-driven algorithms
- arxiv url: http://arxiv.org/abs/2607.13107v1
- Date: Tue, 14 Jul 2026 10:10:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.534369
- Title: DeepCormack: Fermi surface tomography using model-based data-driven algorithms
- Title（参考訳）: DeepCormack:モデルに基づくデータ駆動アルゴリズムを用いたフェルミ表面トモグラフィ
- Abstract要約: 角相関による3次元2光子運動量密度(TPMD)の実験的再構成は材料フェルミ面の研究に有用である。
標準再構成法は、結晶構造に固有の対称性を利用するコーマック法(MCM)のACAR適応である。
我々は、教師付きディープラーニングモデルを統合することで、MCMを強化するデータ駆動モデルベース再構築アルゴリズムのファミリーであるDeepCormackを紹介する。
- 参考スコア（独自算出の注目度）: 18.697446083809808
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The experimental reconstruction of the 3D two-photon momentum density (TPMD) via angular correlation of electron-positron annihilation radiation (ACAR) is a particularly useful method for studying material Fermi surfaces. It does not rely on low temperatures, UHV conditions, or strong magnetic fields, and enables the study of the spin-resolved electronic structure of materials. Yet, it remains a challenging inverse problem. Typically, 10^8 positron annihilation events are measured for 3--6 projections of the TPMD at different angles. The standard reconstruction approach is an ACAR adaptation of Cormack's method (the MCM) that leverages the inherent symmetry in the crystal's structure. However, the poor signal-to-noise ratio means collecting data of sufficient quality for Fermi surface studies can take months per sample. We present DeepCormack, a family of data-driven model-based reconstruction algorithms that augments the MCM by integrating supervised deep-learning models (CNN, MLP, and UNet) at various stages. To overcome the lack of large experimental training sets, we propose a method which leverages singular value decomposition with dynamic mode decomposition to generate realistic synthetic TPMD volumes, requiring only a single reference momentum density computed via density functional theory. On test data, DeepCormack improves reconstruction quality over MCM by about 8.5 dB PSNR at 200M counts and remains stable at reduced counts, enabling significantly faster acquisition times. Generalisation to experimental data depends strongly on how well the training distribution from the reference momentum density matches the sample. We therefore recommend pairing DeepCormack with a DFT calculation of the target material to create sample-specific training data. Our proposed method offers either much higher quality reconstructions, or enables significantly faster ones, on the order of weeks.
- Abstract（参考訳）: 電子陽電子消滅放射(ACAR)の角相関による3次元2光子運動量密度(TPMD)の実験的再構成は、材料フェルミ面の研究に特に有用である。
低温、UHV条件、強磁場には依存せず、物質のスピン分解電子構造の研究を可能にする。
しかし、これは依然として挑戦的な逆問題である。
通常、10^8陽電子消滅現象は、異なる角度でTPMDの3-6射影に対して測定される。
標準的な再構成手法は、結晶構造に固有の対称性を利用するコーマック法(MCM)のACAR適応である。
しかし、信号対雑音比の低さは、フェルミ表面の研究に十分な品質のデータを集めるのに1サンプルあたり数ヶ月を要することを意味する。
我々は、教師付きディープラーニングモデル(CNN、MLP、UNet)を様々な段階で統合することにより、MCMを強化するデータ駆動モデルベース再構築アルゴリズムのファミリーであるDeepCormackを紹介する。
大規模な実験訓練セットの欠如を克服するため, 動的モード分解による特異値分解を利用して現実的な合成TPMDボリュームを生成する手法を提案し, 密度汎関数理論による単一の基準運動量密度のみを求める。
テストデータでは、DeepCormackはMCMよりも約8.5dBのPSNRを2億のカウントで改善し、低いカウントで安定している。
実験データへの一般化は、基準運動量密度からのトレーニング分布がサンプルとどの程度うまく一致しているかに大きく依存する。
したがって、DeepCormackと対象材料のDFT計算を組み合わせてサンプル固有のトレーニングデータを作成することを推奨する。
提案手法は, より高品質な再構築を行うか, より高速な再構築を実現するかのどちらかを, 数週間のオーダーで行う。
関連論文リスト
- Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine [60.669081685261965]
拡散モデルは、顕著な品質で高次元データを生成する。
彼らのトレーニングがいかに効率的にスコア関数を学習するかは理論的には説明がつかないままである。
我々はこの原理をScore-induced Latent Diffusion (SiLD)として定式化する。
論文 参考訳（メタデータ） (2026-05-16T16:51:10Z) - Learning high-dimensional quantum entanglement through physics-guided neural networks [9.690823115015908]
本稿では,物理誘導型深層ニューラルネットワークを提案する。
ゲインレジーム全体では, 平均JSDが1.96e-3, WEMDが1.54e-3, KLが7.85e-3であった。
これらの結果から、物理誘導学習は、ソフトなOAM保存正規化器と物理的に生成された訓練目標を介して、迅速かつデータ効率の良いモーダルな特徴付けを可能にすることが示されている。
論文 参考訳（メタデータ） (2026-04-03T22:09:21Z) - Neural Diffusion Intensity Models for Point Process Data [4.1419700571838405]
ニューラルSDEによって駆動されるCoxプロセスの変動フレームワークを提案する。
点過程観測における条件付けは, 遅延強度の拡散構造を明示的なドリフト補正で保存することを示す。
論文 参考訳（メタデータ） (2026-02-27T15:21:06Z) - Enhanced geometry prediction in laser directed energy deposition using meta-learning [0.5729426778193398]
モデル非依存型メタラーニング(MAML)とReptile(Reptile)という2つの勾配に基づくメタラーニングアルゴリズムを用いて,データ制限による新しい沈着条件への迅速な適応を実現する。
その結果,MAMLとReptileは,3～9種類の訓練例を用いて,未確認目標タスクのビーズ高さ予測を精度良く行うことができた。
論文 参考訳（メタデータ） (2025-12-23T18:44:41Z) - Self-Refining Training for Amortized Density Functional Theory [5.5541132320126945]
そこで本稿では,自己修復学習戦略を導入することにより,大規模な事前コンパイルデータセットに対するアモータイズDFTソルバの依存性を低減する手法を提案する。
本手法は, 生成試料と基底状態エネルギーで定義される対象ボルツマン分布との差分を測定するKL偏差の変動上界の最小化として導出する。
論文 参考訳（メタデータ） (2025-06-02T00:32:32Z) - Solving Energy-Independent Density for CT Metal Artifact Reduction via Neural Representation [46.57879724994237]
金属腐食測定によるCT画像の再構成は, 難解な非線形逆問題となる。
既存のSOTA(State-of-the-art)メタルアーティファクトリダクション(MAR)アルゴリズムは、多数のペアCTサンプルによる教師あり学習に依存している。
本研究では,新しい教師なしMAR法である密度ニューラル表現(ダイナー)を提案する。
論文 参考訳（メタデータ） (2024-05-11T16:30:39Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - A Neural PDE Solver with Temporal Stencil Modeling [44.97241931708181]
最近の機械学習(ML)モデルでは、高解像度信号において重要なダイナミクスを捉えることが約束されている。
この研究は、低解像度のダウンサンプリング機能で重要な情報が失われることがしばしばあることを示している。
本稿では,高度な時系列シーケンスモデリングと最先端のニューラルPDEソルバの強みを組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2023-02-16T06:13:01Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z)
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。