論文の概要: Compositional neural networks for multimodal X-ray and neutron scattering inversion

• arxiv url: http://arxiv.org/abs/2610.29362v1
• Date: Wed, 21 Oct 2026 07:54:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.282468
• Title: Compositional neural networks for multimodal X-ray and neutron scattering inversion
• Title（参考訳）: マルチモーダルX線と中性子散乱インバージョンのための合成ニューラルネットワーク
• Abstract要約: 本稿では,事前アモルト化フローマッチングに基づく確率的多測度解析のためのフレームワークを提案する。 私たちの単一観測実験は、X線、飛行時間中性子、偏光中性子反射計にまたがっています。 これらの結果は、不確実性を認識した逆転と共精製に対するモジュラーアプローチとして構成フローマッチングを確立する。
• 参考スコア（独自算出の注目度）: 36.94429692322632
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: X-ray and neutron scattering are indispensable for structural characterization across condensed-matter physics and materials science. Yet, because scattering experiments generally record intensities without phase information, distinct structures can yield similar scattering patterns, rendering the corresponding inverse problems non-unique. This ambiguity can be reduced by combining complementary measurements, but their integration into machine-learning frameworks remains challenging. Here we introduce a modular framework for probabilistic multi-measurement analysis based on prior-amortized flow matching. Single-observation posterior estimators are trained separately for individual observation types or physical probes and combined only at inference time through a compositional sampler. This late fusion approach allows pretrained single-observation models to be reused without dedicated joint retraining. As a case in point, we consider reflectometry, which provides depth-resolved, nanometer-scale information about thin films and interfaces. Our single-observation demonstrations span X-ray, time-of-flight neutron and polarized neutron reflectometry. In separate co-refinement studies, task-matched estimators enable homogeneous composition across multiple neutron contrasts and heterogeneous multimodal composition of X-ray and neutron measurements. Together, these results establish compositional flow matching as a modular approach to uncertainty-aware inversion and co-refinement, with potential applicability to other scattering problems in which multiple observations constrain a common physical structure while retaining measurement-specific parameters.
• Abstract（参考訳）: X線と中性子散乱は、凝縮物質物理学や材料科学における構造的特徴に欠かせない。 しかし、散乱実験は一般に位相情報のない強度を記録するため、異なる構造は同様の散乱パターンを生じさせ、対応する逆問題に一様ではない。 この曖昧さは相補的な測定を組み合わせることで低減できるが、機械学習フレームワークへの統合は依然として困難である。 本稿では,事前調整フローマッチングに基づく確率的多測度解析のためのモジュラーフレームワークを提案する。 単一観測後部推定器は、個々の観測タイプや物理プローブに対して個別に訓練され、合成サンプリング器を介して推論時にのみ組み合わせられる。 この後期融合アプローチにより、専用の関節再訓練なしで事前訓練された単一観測モデルを再利用することができる。 本稿では,薄膜や界面について,深度分解されたナノメートル規模の情報を提供する反射法について考察する。 私たちの単一観測実験は、X線、時空中性子、偏光中性子反射計にまたがっています。 個別のコリファインメント研究において、タスクマッチング推定器は、複数の中性子コントラストおよびX線および中性子測定の不均一多モード合成を可能にする。 これらの結果から,不確実性を考慮したインバージョンとコリファインメントのモジュラーアプローチとして構成フローマッチングが確立され,測定固有のパラメータを保ちながら,複数の観測が共通物理構造を制約する他の散乱問題に適用可能となる可能性が示唆された。

関連論文リスト

• Reconstruction of Unobserved Core Electron Density in Tokamak Plasmas with a Neural Operator Transport Surrogate and Uncertainty Quantification [0.0]
  トカマクプラズマのリアルタイム制御には電子密度プロファイルが必要である。 原子炉関連装置では、診断ポートアクセスが制限される。 物理に基づく一次元粒子輸送方程式の係数を推定することにより密度分布を再構成する。
  論文  参考訳（メタデータ） (2026-10-17T07:33:05Z)
• Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation [71.74203645336385]
  Impute-EMは、現在のモデルとインプットされていないエントリを交換し、完了したデータに拡散バックボーンをリフィットする。 我々は、この更新を特徴付け、観測されたマスクインデクシングされた辺縁線が、その限界で目標と一致していることを示す。
  論文  参考訳（メタデータ） (2026-09-14T09:39:13Z)
• Learning Bidirectional Causal Interactions with Heteroscedastic Neural Networks [1.0356094515229846]
  本稿では,ヘテロセダスティックなニューラル同時方程式推定器であるSEM-DNNを提案する。 外部機器を使わずに相互構造相互作用を学習する。 シーレアルスキャナーデータへの応用は、同時期の価格-セールフィードバックを研究する方法を示している。
  論文  参考訳（メタデータ） (2026-07-24T13:53:58Z)
• 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)
• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• Symmetry allows for distinguishability in totally destructive many-particle interference [52.77024349608834]
  我々は,レーザーによる導波路構造における4光子干渉実験において,J_x$ユニタリの多体出力イベントの抑制を対称性がどのように制御するかを検討した。 完全に破壊的な干渉は、すべての粒子間での相互の不明瞭さを必要とせず、対称的に対を成す粒子間でのみであることを示す。
  論文  参考訳（メタデータ） (2021-02-19T16:37:19Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• Mixture Representation Learning with Coupled Autoencoders [1.589915930948668]
  我々は、cpl-mixVAEと呼ばれる複数の相互作用ネットワークを用いた教師なし変分フレームワークを提案する。 このフレームワークでは、各ネットワークの混合表現は、離散因子にコンセンサス制約を課すことで正規化される。 提案手法を用いて,単細胞転写データセットにおける遺伝子発現を記述した変数の離散的・連続的因子を共同で発見する。
  論文  参考訳（メタデータ） (2020-07-20T04:12:04Z)
• Inverse Learning of Symmetries [71.62109774068064]
  2つの潜在部分空間からなるモデルで対称性変換を学ぶ。 我々のアプローチは、情報ボトルネックと連続的な相互情報正規化器の組み合わせに基づいています。 我々のモデルは, 人工的および分子的データセットにおける最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-02-07T13:48:52Z)

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。