論文の概要: Multi4D: an end-to-end neural network for structural determination at complex material interfaces
- arxiv url: http://arxiv.org/abs/2609.14348v1
- Date: Sun, 13 Sep 2026 07:12:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.799785
- Title: Multi4D: an end-to-end neural network for structural determination at complex material interfaces
- Title（参考訳）: Multi4D:複雑な材料界面の構造決定のためのエンドツーエンドニューラルネットワーク
- Abstract要約: 物理インフォームドニューラルネットワークフレームワークであるMulti4Dを導入する。
物理制約型翻訳のための潜時空間変換器と向きに依存しない分類のための回転不変畳み込みニューラルネットワークを組み合わせることにより、回折データセットを98.82%の精度で決定論的結晶地図に変換する。
複合超伝導ヘテロ構造, 腐食した合金表面, 劣化した固体電池界面の高忠実構造図を1ナノメートル空間分解能まで生成するためにMulti4Dを適用した。
- 参考スコア（独自算出の注目度）: 5.9461952475226445
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Heterogeneous interfaces dictate the performance and degradation of functional materials, making it essential to link local structural variations with macroscopic failure mechanisms to guide future materials design. Yet structural heterogeneity, phase overlap, and local disorder produce highly convoluted diffraction signatures, making extended transition regions difficult to interpret at atomic resolution across large fields of view. Here, we introduce Multi4D, a physics-informed neural network framework for automated multi-component crystallographic identification using four-dimensional scanning transmission electron microscopy (4D-STEM). By combining a latent-space Diffusion Transformer for physics-constrained style translation with a rotation-invariant convolutional neural network for orientation-agnostic classification, this approach translates multi-components diffraction datasets into deterministic crystallographic maps with 98.82% accuracy. In addition, we introduce Diffraction-Inferred Structural Complexity as an information-theoretic entropy metric derived from classifier predictive uncertainty that quantifies local structural ambiguity. We apply Multi4D to generate high-fidelity structural maps of complex superconducting heterostructures, corroded alloy surfaces, and degraded solid-state battery interfaces down to single-nanometer spatial resolution. This framework establishes a statistically robust analytical paradigm for automated microscopy, facilitating both industrial quality control and the data-driven discovery of interfacial design principles.
- Abstract（参考訳）: 不均質な界面は機能材料の性能と劣化を規定し、局所的な構造変化とマクロ的な破壊機構を結びつけて将来の材料設計を導くことが不可欠である。
しかし、構造的不均一性、位相重なり合い、局所障害は、非常に複雑な回折シグネチャを生み出すため、広い視野で原子分解能において、拡張遷移領域の解釈が困難になる。
本稿では,4次元走査透過電子顕微鏡(4D-STEM)を用いた多成分結晶識別のための物理インフォームドニューラルネットワークフレームワークであるMulti4Dを紹介する。
物理制約型翻訳のための潜時空間拡散変換器と向きに依存しない分類のための回転不変畳み込みニューラルネットワークを組み合わせることにより、多成分回折データセットを98.82%の精度で決定論的結晶地図に変換する。
さらに,Diffraction-Inferred Structure Complexityを,局所構造的曖昧さを定量化する分類器予測の不確実性から導かれる情報理論エントロピー指標として導入する。
複合超伝導ヘテロ構造, 腐食した合金表面, 劣化した固体電池界面の高忠実構造図を1ナノメートル空間分解能まで生成するためにMulti4Dを適用した。
このフレームワークは、産業品質制御とデータ駆動による界面設計原理の発見の両方を容易にする、自動顕微鏡のための統計的に堅牢な分析パラダイムを確立する。
関連論文リスト
- PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。
PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
論文 参考訳（メタデータ） (2026-06-01T01:43:48Z) - 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) - Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。
In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。
IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
論文 参考訳（メタデータ） (2026-03-11T06:14:11Z) - Multimodal Machine Learning for Integrating Heterogeneous Analytical Systems [0.6734447582308918]
エンド・ツー・エンドのキャラクタリゼーションのための異種解析システムを統合する機械学習フレームワークを提案する。
本稿では,SEM画像から形態記述子を抽出し,得られた曲率,向き,交叉密度,空隙形状について述べる。
レーダプロットとUMAPによる可視化により、結晶性や絡み合いに応じてCNTフィルムの鮮明なクラスタリングが明らかになった。
論文 参考訳（メタデータ） (2026-01-31T08:12:43Z) - Linearized Optimal Transport for Analysis of High-Dimensional Point-Cloud and Single-Cell Data [45.87606039212519]
シングルセル技術は、細胞の高次元点雲を生成する。
各患者は単純なベクトルではなく不規則な点雲で表される。
線形最適輸送フレームワークを用いて不規則点雲を固定次元ユークリッド空間に埋め込む。
論文 参考訳（メタデータ） (2025-10-24T21:33:12Z) - Physics-Guided Dual Implicit Neural Representations for Source Separation [70.38762322922211]
我々は,2つの暗黙的ニューラル表現フレームワークを用いて,ソース分離のための自己教師型機械学習手法を開発した。
本手法は,復元に基づく損失関数の最小化により,生データから直接学習する。
本手法は,様々な領域にまたがるソース分離問題に対処する汎用的なフレームワークを提供する。
論文 参考訳（メタデータ） (2025-07-07T17:56:31Z) - STEM Diffraction Pattern Analysis with Deep Learning Networks [0.0]
本研究は、走査型透過電子顕微鏡(STEM)回折パターン(DP)から直接オイラー角を予測する機械学習に基づくアプローチを提案する。
これは高解像度結晶配向マップの自動生成を可能にし、ナノスケール内部の微細構造の解析を容易にする。
3つのディープラーニングアーキテクチャ – 畳み込みニューラルネットワーク(CNN)、Dense Convolutional Networks(DenseNets)、Shifted Windows(Swin) Transformers – は、商用TMアルゴリズムによってラベル付けされた実験的に取得されたデータセットを使用して評価される。
論文 参考訳（メタデータ） (2025-07-02T16:58:09Z) - A Neural Network Transformer Model for Composite Microstructure Homogenization [1.2277343096128712]
森田中法のような均質化法は、幅広い構成特性に対して急速な均質化をもたらす。
本稿では,様々なミクロ構造の知識を捉えたトランスフォーマーニューラルネットワークアーキテクチャについて述べる。
ネットワークは、履歴に依存し、非線形で、均質化されたストレス-ひずみ応答を予測する。
論文 参考訳（メタデータ） (2023-04-16T19:57:52Z) - 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) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳（メタデータ） (2021-10-26T07:02:14Z)
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。