論文の概要: Exploring Joint-Embedding Predictive Architectures for Self-Supervised Representation Learning of Powder X-ray Diffraction Patterns
- arxiv url: http://arxiv.org/abs/2610.33310v1
- Date: Fri, 23 Oct 2026 21:24:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.297843
- Title: Exploring Joint-Embedding Predictive Architectures for Self-Supervised Representation Learning of Powder X-ray Diffraction Patterns
- Title（参考訳）: 粉末X線回折パターンの自己教師付き表現学習のための合同埋め込み予測アーキテクチャの探索
- Abstract要約: 自己教師型共同埋め込み予測アーキテクチャ(JEPA)は、1次元回折パターンから表現埋め込みを学ぶ。
下流評価では、凍結したJEPA表現に基づいて訓練された軽量減衰プローブが、はるかに大きな教師付き視覚変換器に近い空間群分類と格子推定精度を実現することが示されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Powder X-ray diffraction (XRD) is the primary high-throughput method for resolving crystal structures, a cornerstone of materials science. As high-throughput synthesis and self-driving laboratories advance, automated XRD pattern analysis has become vital for accelerating materials discovery. However, traditional matrix factorization methods fail when lattice variations cause non-linear peak shifts. At the same time, supervised learning approaches face a combinatorial explosion when handling multi-phase mixtures. To overcome these challenges, we adopt a self-supervised Joint Embedding Predictive Architecture (JEPA) to learn representation embeddings from 1D diffraction patterns. By optimizing a masked self-prediction loss directly within the latent space, the framework captures high-level crystallographic semantics. Downstream evaluations show that lightweight attentive probes trained on frozen JEPA representations achieve space group classification and lattice parameter estimation accuracy close to much larger supervised vision transformers. Furthermore, latent probing reveals that the learned representation space naturally organizes physical transformations, isolating smooth trajectories for peak broadening. Interestingly, decoding along latent paths between single-phase crystal representations yields realistic multi-phase mixture patterns, demonstrating an emergent continuous structure learned without explicit multi-phase supervision.
- Abstract（参考訳）: X線粉末回折(XRD)は結晶構造を解くための第一の高出力法であり、材料科学の基礎となっている。
高スループット合成と自動運転研究所が進むにつれて、自動XRDパターン解析は材料発見の加速に欠かせないものとなっている。
しかし、格子変動が非線形ピークシフトを引き起こす場合、従来の行列分解法は失敗する。
同時に、教師付き学習アプローチは、多相混合を扱う際に、組合せ的爆発に直面している。
これらの課題を克服するために,我々は1次元回折パターンから表現埋め込みを学ぶために,自己教師型共同埋め込み予測アーキテクチャ(JEPA)を採用した。
マスク付き自己予測損失を潜在空間内で直接最適化することにより、このフレームワークは高レベルの結晶意味論をキャプチャする。
下流評価では、凍結したJEPA表現に基づいて訓練された軽量減衰プローブが、はるかに大きな教師付き視覚変換器に近い空間群分類と格子パラメータ推定精度を実現することが示されている。
さらに、学習された表現空間が自然に物理変換を整理し、ピーク拡大のために滑らかな軌道を分離することを明らかにする。
興味深いことに、単相結晶表現間の遅延経路に沿った復号化は現実的な多相混合パターンをもたらし、明示的な多相監視なしに学習された創発的連続構造を示す。
関連論文リスト
- Knowledge-Driven XRD Phase Identification via Multi-View Retrieval and Explanation [0.0]
本稿では,表現学習,類似性に基づく検索,説明可能な意思決定支援を統合したXRD位相解析のための多値決定フレームワークを提案する。
畳み込みオートエンコーダは、構造的類似性を保持するXRDパターンのコンパクトな潜在表現を学習する。
合成データセットの実験は、強い予測性能を示す。
論文 参考訳（メタデータ） (2026-09-25T18:25:51Z) - DRIFT: From Robustness Gaps to Invariance Manifolds for AI-Generated Image Detection [3.9536138432623122]
一級監督下で実画像の構造的不変多様体の学習としてAI生成画像検出を定式化する。
頑健な部分空間は、物理的に可視な画像変換によって引き起こされる変動を抑制するために明示的に訓練される。
実験は、目に見えないジェネレータと解像度にまたがる強力なオープンワールドの一般化を示す。
論文 参考訳（メタデータ） (2026-06-05T05:32:57Z) - XDecomposer: Learning Prior-Free Set Decomposition for Multiphase X-ray Diffraction [7.54947954086392]
XDecomposerは,多相XRDパターンの結合分解と同定のための事前自由なフレームワークである。
実験により、XDecomposerは様々な化学系における再構成精度と位相同定を大幅に改善することが示された。
論文 参考訳（メタデータ） (2026-05-07T08:33:56Z) - Cross-Scenario Deraining Adaptation with Unpaired Data: Superpixel Structural Priors and Multi-Stage Pseudo-Rain Synthesis [48.809049043865905]
低レベルのコンピュータビジョンでは,イメージデライン化が重要な役割を担っている。
ディープラーニングのパラダイムは、目に見えないアウト・オブ・ディストリビューションシナリオに一般化された場合、厳しいパフォーマンス劣化に悩まされることが多い。
本稿では,クロスシナリオ・デライニング適応フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-23T07:38:55Z) - StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。
我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。
スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
論文 参考訳（メタデータ） (2026-03-02T11:35:05Z) - Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。
私たちのアプローチの中心は、強化学習と因果推論を統合することです。
提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
論文 参考訳（メタデータ） (2025-11-10T12:45:52Z) - Dara: Automated multiple-hypothesis phase identification and refinement from powder X-ray diffraction [2.7076607398164705]
Daraは粉末XRDデータから複数の位相の堅牢な識別と精錬を自動化するために設計されたフレームワークである。
主な特徴は、構造データベースフィルタリング、木の拡大中の等構造相の自動クラスタリング、ピークマッチングに基づくスコアリング、改良のための有望な相を特定することである。
論文 参考訳（メタデータ） (2025-10-22T15:13:47Z) - DONUT: Physics-aware Machine Learning for Real-time X-ray Nanodiffraction Analysis [5.889405057118457]
本稿では,ナノビーム回折データの迅速かつ自動解析を目的とした物理対応ニューラルネットワークDONUTを紹介する。
微分可能な幾何回折モデルをアーキテクチャに直接組み込むことで、DONUTは結晶のひずみと配向をリアルタイムで予測することを学ぶ。
我々はDONUTが従来のフィッティング法よりも200倍以上の効率でデータ中の全ての特徴を正確に抽出できることを実験的に実証した。
論文 参考訳（メタデータ） (2025-07-18T16:10:39Z) - Knowledge-guided Complex Diffusion Model for PolSAR Image Classification in Contourlet Domain [58.46450049579116]
本稿では,Contourlet領域におけるPolSAR画像分類のための知識誘導複合拡散モデルを提案する。
具体的には、まずデータを低周波サブバンドと高周波サブバンドに分解するためにContourlet変換を適用する。
次に、低周波成分の統計特性をモデル化するために、知識誘導複合拡散ネットワークを設計する。
論文 参考訳（メタデータ） (2025-07-08T04:50:28Z) - Orthogonal Subspace Decomposition for Generalizable AI-Generated Image Detection [58.87142367781417]
航法的に訓練された検出器は、限定的で単調な偽のパターンに過度に適合する傾向にあり、特徴空間は高度に制約され、低ランクになる。
潜在的な治療法の1つは、ビジョンファウンデーションモデルに事前訓練された知識を取り入れて、機能領域を広げることである。
主要なコンポーネントを凍結し、残ったコンポーネントのみを適用することで、フェイクパターンを学習しながら、トレーニング済みの知識を保存します。
論文 参考訳（メタデータ） (2024-11-23T19:10:32Z) - Tracking perovskite crystallization via deep learning-based feature
detection on 2D X-ray scattering data [137.47124933818066]
本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。
有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
論文 参考訳（メタデータ） (2022-02-22T15:39:00Z)
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。