論文の概要: QuPAINT: Physics-Aware Multimodal Reasoning for Quantum Material Characterization
- arxiv url: http://arxiv.org/abs/2609.12202v1
- Date: Thu, 10 Sep 2026 20:56:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.543104
- Title: QuPAINT: Physics-Aware Multimodal Reasoning for Quantum Material Characterization
- Title（参考訳）: QuPAINT: 量子材料評価のための物理対応マルチモーダル推論
- Abstract要約: QuPAINTは、転送可能な量子フレークキャラクタリゼーションのための物理対応フレームワークである。
QMat-Instructは、検証済みアノテーションから生成される画像固有の推論トレースを備えたマルチモーダル命令データセットである。
QuPAINT-8Bは従来の手法よりも大幅に優れており、一般的なおよび単層フレーク検出のための最先端性能を確立している。
- 参考スコア（独自算出の注目度）: 12.888415301529891
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Characterizing two-dimensional (2D) quantum materials by optical microscopy requires localizing exfoliated flakes and determining their layer thickness from subtle optical contrast and interference color to select suitable flakes for device fabrication. However, models face synthetic-to-real domain shifts and variation across materials, substrates, laboratories, and imaging conditions. We present QuPAINT, a physics-aware multimodal framework for transferable quantum flake characterization. The Synthetic Materials Framework (Synthia) generates diverse synthetic microscopy images while preserving layer-dependent optical behavior. Using these images, we construct QMat-Instruct, a multimodal instruction dataset with image-specific reasoning traces generated from verified annotations and constrained to observable optical cues. QuPAINT integrates these signals through Physics-Informed Attention (PIA), which injects substrate-relative optical priors into the visual representation to support grounded multimodal reasoning. For evaluation, we introduce QF-Bench, to our knowledge, the largest real-world benchmark for this problem, spanning diverse microscopy and substrate conditions. Using its verified annotations, we study counting, visual grounding, reasoning quality, confidence calibration, and transfer to an unseen material. QuPAINT-8B substantially outperforms prior methods and establishes state-of-the-art performance for both general and monolayer flake detection. Additional experiments show that image-grounded supervision improves strict spatial grounding and confidence calibration while preserving robust general flake detection on the unseen material.
- Abstract（参考訳）: 光学顕微鏡による2次元(2D)量子材料の特徴付けには、剥離したフレークを局所化し、その層厚を微妙な光学コントラストと干渉色から決定し、デバイス製造に適したフレークを選択する必要がある。
しかし、モデルは合成から現実へのドメインシフトに直面し、材料、基板、実験室、撮像条件にまたがる変化に直面している。
伝送可能な量子フレーク特性評価のための物理対応マルチモーダルフレームワークQuPAINTを提案する。
合成材料フレームワーク(Synthia)は、層依存の光学的挙動を保ちながら多様な合成顕微鏡画像を生成する。
これらの画像を用いて、検証されたアノテーションから生成され、観測可能な光学的手がかりに制約された画像固有の推論トレースを持つマルチモーダル命令データセットであるQMat-Instructを構築した。
QuPAINTは、これらの信号をPhysics-Informed Attention (PIA)を通じて統合し、基板相対光学的先行情報を視覚表現に注入し、接地されたマルチモーダル推論をサポートする。
評価のために、我々はQF-Benchを、様々な顕微鏡と基板条件にまたがる、この問題に対する最大の実世界のベンチマークである知識に導入する。
検証されたアノテーションを用いて、計数、視覚的接地、推論品質、信頼性校正、未知の物質への移動について検討する。
QuPAINT-8Bは従来の手法よりも大幅に優れており、一般的なおよび単層フレーク検出のための最先端性能を確立している。
さらなる実験により、画像接地による監視は、厳密な空間的接地と信頼性の校正を改善しながら、見えない材料に対する堅牢な一般的なフレーク検出を維持できることが示されている。
関連論文リスト
- Physics-Informed Deep Learning Model for Cross-Modality Super-Resolution in Fluorescence Microscopy [0.0]
クロスモダリティ画像変換は、低解像度画像からの超高分解能蛍光顕微鏡への経路を提供する。
共焦点-STED画像変換のための物理インフォームド生成対向ネットワークを提案する。
論文 参考訳（メタデータ） (2026-07-23T11:16:26Z) - Quantum Optical Neuron for Image Classification via Multiphoton Interference [0.0]
計測層に直接推論を行うカメラレスの量子光学画像について実験的に示す。
単一パーセプトロン量子光学ニューロンと2ニューロン浅部ネットワークの両方を実現し、ベンチマークデータセット上で高い精度を実現する。
このアプローチは、タスク関連情報を抽出できるニューロモルフィック量子フォトニックプロセッサへの道を開く。
論文 参考訳（メタデータ） (2026-03-30T18:01:45Z) - QuPAINT: Physics-Aware Instruction Tuning Approach to Quantum Material Discovery [12.888415301529891]
光学顕微鏡画像から2次元の量子材料を特徴付けることは、微妙な層依存性のコントラスト、限られたラベル付きデータ、実験室と撮像装置間の大きなばらつきにより困難である。
この研究は、データとモデルの両方の観点からこれらの制限に対処する、新しい物理を意識したマルチモーダルフレームワークを提示している。
我々はまず、薄膜干渉下での量子材料フレクスのリアルな光学応答をシミュレートする物理ベースの合成データ生成装置、Synthiaを提示する。
我々はQMat-Instructを紹介した。QMat-Instructは量子材料のための最初の大規模インストラクションデータセットで、マルチモーダルな物理インフォームされた質問応答ペアで、マルチモーダル大言語モデル(ML)を教えるように設計されている。
論文 参考訳（メタデータ） (2026-02-19T15:44:41Z) - Exploring Physical Intelligence Emergence via Omni-Modal Architecture and Physical Data Engine [50.62040226184694]
我々はOmniFysicsについて紹介する。OmniFysicsは、画像、音声、ビデオ、テキスト間の理解を統一するコンパクトなオムニモーダルモデルである。
明示的な物理知識を注入するために、2つのコンポーネントからなる物理データエンジンを構築します。
実験は、標準マルチモーダルベンチマークにおける競合性能を示し、物理指向評価の結果を改善した。
論文 参考訳（メタデータ） (2026-02-05T14:04:51Z) - Physics-Informed Graph Neural Network with Frequency-Aware Learning for Optical Aberration Correction [36.496034762040054]
光収差は顕微鏡の画質を著しく低下させ、特に試料の深部を撮像する場合に顕著に低下する。
本稿では,Zernike予測と光画像復元を共同で行う物理情報処理フレームワークZRNetを提案する。
本手法は, 画像復元とゼルニケ係数予測の両面において, 様々な顕微鏡法および複雑で大振幅の生体試料を用いた最先端性能を実現する。
論文 参考訳（メタデータ） (2025-12-05T12:58:55Z) - MaterialRefGS: Reflective Gaussian Splatting with Multi-view Consistent Material Inference [83.38607296779423]
より物理的な環境モデルを用いた多視点一貫した物質推定がガウススプラッティングによる正確な反射の学習の鍵となることを示す。
本手法は照明と幾何学の両方を忠実に復元し,新しいビュー合成における最先端のレンダリング品質を実現する。
論文 参考訳（メタデータ） (2025-10-13T13:29:20Z) - GOBench: Benchmarking Geometric Optics Generation and Understanding of MLLMs [66.55945133516776]
本稿では,光学的認証画像の生成と光現象の理解という,MLLMの能力を評価する最初のベンチマークであるGOBenchを紹介する。
MLLMを用いてGOBench-Gen-1kデータセットを構築し,光学的正当性,審美的品質,インストラクション忠実度に基づいて生成した画像を評価する。
本研究は,11個の著名なMLLMの光学的理解能力をテストするために,工芸的な評価手法を適用し,実験結果から,光学的生成と理解の両方において,現在のモデルが重大な課題に直面していることが示されている。
論文 参考訳（メタデータ） (2025-06-01T12:46:14Z) - Examining the Impact of Optical Aberrations to Image Classification and Object Detection Models [58.98742597810023]
視覚モデルは、ノイズやぼやけなどの乱れに対して頑丈に振る舞う必要がある。
本稿では,OpticsBenchとLensCorruptionsという,ぼやけた汚職の2つのデータセットについて検討する。
ImageNet と MSCOCO における画像分類と物体検出の評価は,様々な事前学習モデルにおいて OpticsBench と LensCorruptions の性能が著しく異なることを示す。
論文 参考訳（メタデータ） (2025-04-25T17:23:47Z) - PIGUIQA: A Physical Imaging Guided Perceptual Framework for Underwater Image Quality Assessment [59.9103803198087]
水中画像品質評価(UIQA)のための物理画像ガイド型知覚フレームワークを提案する。
水中放射移動理論を応用して、物理に基づく画像推定を統合して、これらの歪みの定量的な測定値を確立する。
提案モデルは,画像品質のスコアを正確に予測し,最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-12-20T03:31:45Z) - Quantum enhanced probing of multilayered-samples [0.0]
量子光コヒーレンストモグラフィーは、多層材料の内部構造を再構築するために、古典的でない光源に依存している。
そこで本研究では,データ後処理のための高速遺伝的アルゴリズムと組み合わせた理論モデルを用いて,複雑な多層試料の形態を抽出することに成功した。
我々の結果は、複雑な構造の実用的な高分解能プローブの開発に繋がる可能性がある。
論文 参考訳（メタデータ） (2022-12-25T21:22:25Z) - Interaction-free imaging of multi-pixel objects [58.720142291102135]
量子イメージングは、生物学的組織のような低照度な条件を必要とする敏感なサンプルを研究するのに適している。
この文脈では、相互作用のない測定(IFM)により、試料と相互作用する光子なしで不透明な物体の存在を推測することができる。
ここでは、画素に関する情報を内部自由度に符号化することにより、ICMイメージングスキームを多画素半透明オブジェクトに拡張する。
論文 参考訳（メタデータ） (2021-06-08T06:49:19Z)
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。