大規模ユーザ施設における高スループットと遠隔操作を可能にする機械学習【JST・京大機械翻訳】

Konstantinova Tatiana; Maffettone Phillip M.; Ravel Bruce; Campbell Stuart I.; Barbour Andi M.; Olds Daniel

プレプリント

J-GLOBAL ID：202202206809451714 整理番号：22P0025787

大規模ユーザ施設における高スループットと遠隔操作を可能にする機械学習【JST・京大機械翻訳】

Machine learning enabling high-throughput and remote operations at large-scale user facilities

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2022年01月09日プレプリントサーバーでの情報更新日： 2022年01月09日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

イメージング,散乱および分光法は,新しい機能性材料を理解し,発見する上で基本的である。自動化と実験技術における同時革新は,これらの測定がより速く,より高い分解能で実行され,従って,分析のための膨大な量のデータを生成する。これらの革新は,特にユーザ施設とシンクロトロン光源で顕著である。機械学習(ML)法は,測定による実時間で大きなデータセットを処理し,解釈するために定期的に開発されている。しかし,施設一般ユーザコミュニティへの侵入に対する概念上の障壁が残っており,MLにおける専門知識とMLモデルを展開するための技術的障壁をしばしば欠いている。ここでは,国立シンクロトロン光源II(NSLS-II)における多重ビームラインにおけるオンザフライ解析に対する様々な原型MLモデルを示した。これらの例について,既存の実験ワークフローへのモデルの統合に焦点を絞って,読者がNLS-IIまたは共通のインフラストラクチャを持つ施設における実験に自分自身のML技術を容易に含むように,これらの例について説明して述べた。ここで提示したフレームワークは,実験調整とデータ管理のために,既存のBluesky Suiteへの統合を介してフィードバックループと連動して,多様なMLモデルがどのように動作するかを示した。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

円形加速器

, , , ,

前のページに戻る