論文の概要: Inferring Dislocation Microstructures from X-ray Diffraction via Cross-Modal Contrastive Learning
- arxiv url: http://arxiv.org/abs/2609.12713v1
- Date: Fri, 11 Sep 2026 11:07:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.725305
- Title: Inferring Dislocation Microstructures from X-ray Diffraction via Cross-Modal Contrastive Learning
- Title（参考訳）: クロスモーダルコントラスト学習によるX線回折による転位組織の推定
- Abstract要約: 本研究は,回折データから直接3次元転位構造を予測するためのクロスモーダル学習フレームワークを開発する。
離散転位力学シミュレーションから生成された転位密度場と対応する仮想X線回折パターンとをペアリングする。
ほぼ飽和度は1万の観測データから約500の観測結果によって達成される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Understanding and inferring dislocation microstructures from diffraction patterns remains an open challenge in materials characterization, as diffraction measurements provide only indirect information about the underlying dislocation structure. In this work, a cross-modal learning framework is developed to enable the prediction of 3D dislocation structures directly from diffraction data. Dislocation density fields generated from discrete dislocation dynamics simulations are paired with corresponding virtual X-ray diffraction patterns and embedded into a shared 2D latent space using contrastive learning. The alignment between structural and diffraction representations of dislocation structures is evaluated directly in the learned latent space using correlations between corresponding latent features. To estimate the role of dataset size for this approach, farthest point sampling is employed to construct representative and diverse training subsets of varying sizes. The results show strong cross-modal alignment and that model performance improves rapidly with increasing dataset size. Near-saturation is achieved with approximately 500 representative observations from a dataset of 10,000 observations, enabling accurate prediction of dislocation density fields from previously unseen diffraction data of the same distribution. Qualitative comparisons confirm that the predicted structures capture the dominant spatial features of the underlying dislocation microstructures. These findings demonstrate an efficient approach for learning structure-diffraction relationships and highlight the potential for inferring structural characteristics of dislocation networks directly from diffraction patterns, providing a pathway toward diffraction-based structural analysis and future extension to experimental data.
- Abstract（参考訳）: 回折測定は、下層の転位構造に関する間接的な情報のみを提供するので、回折パターンから転位組織を理解し、推測することは、材料特性において未解決の課題である。
本研究では,回折データから直接3次元転位構造の予測を可能にするためのクロスモーダル学習フレームワークを開発した。
離散転位動力学シミュレーションから生成された転位密度場を対応する仮想X線回折パターンとペアリングし、コントラスト学習を用いて共有2次元潜在空間に埋め込む。
転位構造の構造的表現と回折的表現のアライメントは,対応する潜時特徴の相関関係を用いて学習された潜時空間で直接評価される。
このアプローチにおけるデータセットサイズの役割を推定するために、様々なサイズの代表的で多様なトレーニングサブセットを構築するために、最遠点サンプリングを用いる。
その結果, モデルの性能は, データセットのサイズが大きくなるにつれて向上することがわかった。
ほぼ飽和度は1万の観測データから約500の代表的な観測結果によって達成され、同じ分布のこれまで見られなかった回折データから転位密度場を正確に予測することができる。
定性的比較により、予測された構造が下層の転位ミクロ構造の主要な空間的特徴を捉えていることが確認された。
これらの結果は, 構造-回折関係を学習するための効率的なアプローチを示し, 回折パターンから直接転位ネットワークの構造特性を推定する可能性を強調し, 回折に基づく構造解析への道筋と, 実験データへの将来的な拡張を提供する。
関連論文リスト
- K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。
提案手法はシミュレーションと実世界の応用を通して評価する。
論文 参考訳（メタデータ） (2026-05-14T13:35:44Z) - Diffusion Model for Manifold Data: Score Decomposition, Curvature, and Statistical Complexity [93.52679474816728]
拡散モデルは、生成モデリングにおける主要なフレームワークとなっている。
本稿では,拡散モデルが構造データをどのように学習するかを,統計的複雑性とデータ幾何学的性質の影響の2つの重要な側面に焦点をあてる。
また、スコア関数の構造と多様体曲率の相互作用も強調する。
論文 参考訳（メタデータ） (2026-03-21T04:40:19Z) - Discovery of interaction and diffusion kernels in particle-to-mean-field multi-agent systems [41.99844472131922]
マルチエージェントシステムにおけるインタラクションカーネルの学習のためのデータ駆動型フレームワークを提案する。
本研究の目的は, 軌道データから直接非局所相互作用と拡散項の関数形式を同定することである。
論文 参考訳（メタデータ） (2026-03-16T21:19:25Z) - GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。
PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。
これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
論文 参考訳（メタデータ） (2026-03-01T09:30:11Z) - Connecting Neural Models Latent Geometries with Relative Geodesic Representations [21.71782603770616]
遅延構造を異なる潜在空間間で共有する場合、表現間の相対距離を歪みまで保存できることが示される。
異なるニューラルモデルは、ほぼ同じ基礎多様体をパラメータ化し、プルバック計量に基づく表現を導入すると仮定する。
本手法は,オートエンコーダと視覚基盤識別モデルを対象として,モデルの縫合と検索のタスクについて検証する。
論文 参考訳（メタデータ） (2025-06-02T12:34:55Z) - SeisRDT: Latent Diffusion Model Based On Representation Learning For Seismic Data Interpolation And Reconstruction [11.530476559185878]
地理的、物理的、経済的要因などの制限のため、収集された地震データは、しばしば痕跡を欠いている。
従来の地震データ再構成手法は、多数の経験的パラメータを選択し、大規模な連続的欠落トレースを扱うのに苦労する課題に直面している。
地震データ再構成のための表現学習を利用した潜時拡散変換器を提案する。
論文 参考訳（メタデータ） (2025-03-17T10:16:35Z) - Probing the Latent Hierarchical Structure of Data via Diffusion Models [47.56642214162824]
拡散モデルを用いた実験は,データの潜伏構造を探索するための有望なツールであることを示す。
我々はこの予測を、最先端拡散モデルを用いてテキストと画像の両方で確認する。
以上の結果から,潜在変数がデータにどのように現れるかを示し,これらの影響を実データで測定する方法を確立した。
論文 参考訳（メタデータ） (2024-10-17T17:08:39Z) - Dislocation cartography: Representations and unsupervised classification of dislocation networks with unique fingerprints [0.0]
本研究は, 転位構造の高次元密度場データの内在構造を明らかにするために, 多様体学習手法であるIsomapを用いた。
結果の地図は転位構造を定量的に比較するための体系的な枠組みを提供し、密度場に基づくユニークな指紋を提供する。
論文 参考訳（メタデータ） (2024-06-21T09:32:09Z) - Score Approximation, Estimation and Distribution Recovery of Diffusion
Models on Low-Dimensional Data [68.62134204367668]
本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。
適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。
推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
論文 参考訳（メタデータ） (2023-02-14T17:02:35Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z)
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。