論文の概要: Mapping Order in Semicrystalline Polymers using Machine Learning of Nanobeam Electron Diffraction

• arxiv url: http://arxiv.org/abs/2607.16570v1
• Date: Sat, 18 Jul 2026 00:54:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.189642
• Title: Mapping Order in Semicrystalline Polymers using Machine Learning of Nanobeam Electron Diffraction
• Title（参考訳）: ナノビーム電子回折の機械学習による半結晶高分子のマッピング秩序
• Authors: Nicholas Marchese, Arthur R. C. McCray, Yael Tsarfati, Karen Bustillo, Adam Marks, Alberto Salleo, Colin Ophus,
• Abstract要約: 我々は、合成データから高分子の回折ピークとその強度を検出するために機械学習(ML)モデルを訓練する。 相関ピーク検出アルゴリズムと比較して、MLモデルは大幅に高速で、ほぼ全てのケースで相関アルゴリズムより優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Organic mixed ionic electronic conductors (OMIECs) are a promising class of polymer materials for applications spanning neuromorphic computation to energy efficient electronics and bioelectronics. Despite being highly tunable, the relationship between structural features and key performance properties such as charge carrier mobility is poorly understood. Scanning nanodiffraction in the transmission electron microscope (TEM) is a powerful probe for elucidating this structure-property relationship, but produces large, noisy datasets that are difficult to interpret because polymer reflections exhibit several distinct morphologies. To address the complexity, we trained a machine learning (ML) model to detect these polymer diffraction peaks and their intensities from synthetic data. Compared to correlative peak detection algorithms, the conventional method for analyzing nanobeam 4D scanning transmission electron microscopy (4DSTEM) data, we show that the ML model is significantly faster and outperforms correlative algorithms in almost all cases, opening up the possibility of near-live visualization of 4DSTEM experiments.
• Abstract（参考訳）: 有機混合イオン電子伝導体 (OMIECs) は、ニューロモルフィック計算をエネルギー効率のよいエレクトロニクスやバイオエレクトロニクスに応用するための、有望なポリマー材料である。 高度に調整可能であるにもかかわらず、電荷キャリアモビリティなどの重要な性能特性と構造的特徴の関係はよく理解されていない。 透過電子顕微鏡(TEM)における走査型ナノ回折は、この構造と物性の関係を解明するための強力なプローブであるが、高分子反射がいくつかの異なる形態を示すため、解釈が難しい大きなノイズの多いデータセットを生成する。 この複雑さに対処するため、我々は機械学習(ML)モデルを訓練し、これらのポリマー回折ピークとその強度を合成データから検出した。 相関ピーク検出アルゴリズムと比較して,従来のナノビーム4次元走査透過電子顕微鏡(4DSTEM)データの解析法では,MLモデルはほぼ全てのケースにおいて相関アルゴリズムよりもはるかに高速であり,ほぼライブで4DSTEM実験を可視化する可能性を示している。

関連論文リスト

• Precision quantum simulation of magnon spectra and interactions [94.30337065819249]
  最大97量子ビットのアナログデジタル超伝導プロセッサを用いて, 2次元XYスピン-1/2マグネットにおける線形および非線形応答関数の高精度シミュレーションを行った。 以上の結果から,ブリュアン帯におけるマグノンの崩壊速度の変動が明らかとなり,バンホーブ特異点付近の増大とエッジ局在モードの抑制が認められた。
  論文  参考訳（メタデータ） (2026-07-14T22:11:22Z)
• Periodic Topological Deep Learning for Polymer Design and Discovery [2.9165586612027234]
  本稿では, 周期的ビエトリス・リップス錯体上に構築された深層学習フレームワークである Periodic-TDL について紹介する。 周期的TDLは、電子的、光学的、物理的、熱的ターゲットにまたがるポリマー特性予測タスクにおいて、最先端の全てのモデルより優れている。
  論文  参考訳（メタデータ） (2026-05-26T10:51:49Z)
• Benchmarking Machine Learning Approaches for Polarization Mapping in Ferroelectrics Using 4D-STEM [0.5660019164402329]
  我々は,ニオブ酸強誘電体カリウムの4D-STEM回折パターンから偏光方向検出を自動化するために,複数の機械学習モデルをベンチマークした。 本研究は、電子顕微鏡解析のための堅牢で伝達可能な機械学習ツールの開発を導くものである。
  論文  参考訳（メタデータ） (2026-03-16T17:45:28Z)
• Machine Learning Enabled Graph Analysis of Particulate Composites: Application to Solid-state Battery Cathodes [9.342098489571326]
  微粒子複合材料は多くの固体化学・電気化学系の基盤となり、多相境界や粒子間結合といった微細構造がシステム性能に強く影響を及ぼす。 そこで我々は,多相粒子状複合材料の実験用マルチモーダルX線画像から,物理的洞察を抽出し,粒子レベルとネットワークレベルで局所的ミクロ構造・プロパティ関係を確立するためのスケーラブルなトポロジ対応グラフへの自動変換を実現する機械学習(ML)を実現するフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-12-18T02:00:22Z)
• Machine learning surrogate models of many-body dispersion interactions in polymer melts [40.83978401377059]
  本稿では,高分子融液中のMBD力を予測するための機械学習サロゲートモデルを提案する。 我々のモデルは、最も関連する原子結合を選択的に保持する、トリミングされたSchNetアーキテクチャに基づいている。 高計算効率で特徴付けられるサロゲートモデルにより、大規模な分子シミュレーションにMBD効果を実践的に組み込むことが可能となる。
  論文  参考訳（メタデータ） (2025-03-19T12:15:35Z)
• Multi-task learning for molecular electronic structure approaching coupled-cluster accuracy [9.81014501502049]
  金標準CCSD(T)計算をトレーニングデータとして,有機分子の電子構造を統一した機械学習手法を開発した。 炭化水素分子を用いたモデルでは, 計算コストと様々な量子化学特性の予測精度において, 広範に用いられているハイブリッド関数と二重ハイブリッド関数でDFTより優れていた。
  論文  参考訳（メタデータ） (2024-05-09T19:51:27Z)
• Electromagnetically induced transparency in inhomogeneously broadened divacancy defect ensembles in SiC [52.74159341260462]
  電磁誘導透過 (EIT) は、光信号と電子スピンの量子コヒーレンスの間に強く堅牢な相互作用を与える現象である。 この材料プラットフォームにおいても,計測幾何学の慎重に設計した上で,EITを高視認性で確立できることが示される。 本研究は,多層システムにおけるEITの非均一性に対する理解を提供し,半導体の幅広い欠陥に対する考察である。
  論文  参考訳（メタデータ） (2022-03-18T11:22:09Z)
• Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
  我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。 結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。 シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
  論文  参考訳（メタデータ） (2022-02-01T03:53:39Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Quantum Sensors for Microscopic Tunneling Systems [58.720142291102135]
  トンネル2層系(TLS)は超伝導量子ビットなどのマイクロファブリック量子デバイスにおいて重要である。 本稿では,薄膜として堆積した任意の材料に個々のTLSを特徴付ける手法を提案する。 提案手法は, トンネル欠陥の構造を解明するために, 量子材料分光の道を開く。
  論文  参考訳（メタデータ） (2020-11-29T09:57:50Z)

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。