文献

J-GLOBAL ID：201902222586587554   整理番号：19A0954006

機械学習によるX線スペクトル計測の効率化

Efficiency Improvement of X-Ray Spectroscopy Experiment by Machine Learning

著者 (3件)： 上野哲朗 (量子科学技術研究開発機構 量子ビーム科学研究部門) ,  日野英逸 (情報・システム研究機構 統計数理研究所) ,  小野寛太 (高エネルギー加速器研究機構 物質構造科学研究所)
資料名： 表面と真空  (Vacuum and Surface Science)
巻： 62  号： 3  ページ： 147-152(J-STAGE)  発行年： 2019年 
JST資料番号： G0194B  ISSN： 2433-5835  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 効率を改善するために,X線分光法の機械学習による実験(DoE)の適応設計を示す。機械学習技術の一つであるGauss過程回帰は実験データからスペクトルを予測し,最適エネルギー測定点を決定する。適応DoEは,従来のDoEによるX線磁気円偏光二色性分光実験と比較して,全エネルギー測定点を減少させるのに成功する。この方法は種々の測定に適用できる可能性があり,実験の時間とコストを低減する。(翻訳著者抄録)

シソーラス用語： *X線スペクトル ,  *機械学習 ,  設計 ,  *回帰分析 ,  *最適化 ,  *計測 ,  *効率化 ,  原価低減 ,  縮小 ,  磁気円二色性 ,  時間短縮 ,  *改変 ,  減少 ,  変化
準シソーラス用語： Gauss過程回帰 ,  X線磁気円偏光二色性 ,  適応設計

著者キーワード (8件)： 実験の適応設計 ,  Gauss過程回帰 ,  機械学習 ,  X線分光法 ,  実験の適応設計 ,  Gauss過程回帰 ,  機械学習 ,  X線分光法

分類 (1件)： X線スペクトル一般  (BM08101P)

引用文献 (19件)：

• 1) T. Lookman, F.J. Alexander and K. Rajan (Eds.) : “Information Science for Materials Discovery and Design” (Springer, Cham, Heidelberg, New York, Dordrecht, London, 2016).
• 2) H.C. Dam, 寺倉清之 : 表面科学 36, 507 (2015), doi:10.1380/jsssj.36.507.
• 3) A. Seko, T. Maekawa, K. Tsuda and I. Tanaka : Phys. Rev. B 89, 054303 (2014), doi:10.1103/PhysRevB.89.054303.
• 4) A. Seko, A. Togo, H. Hayashi, K. Tsuda, K. Chaput and I. Tanaka : Phys. Rev. Lett. 115, 205901 (2015), doi:10.1103/PhysRevLett.115.205901.
• 5) V. Stanev, C. Oses, A.G. Kusne, E. Rodriguez, J. Paglione, S. Curtarolo and I. Takeuchi : npj Comput. Mater. 4, 29 (2018), doi:10.1038/s41524-018-0085-8.

タイトルに関連する用語 (4件)： 機械学習 ,  X線スペクトル ,  計測 ,  効率化