中性子およびX線反射率データのニューラルネットワーク解析:多重反射,実験誤差および特徴工学を用いた自動解析【JST・京大機械翻訳】

Greco Alessandro; Starostin Vladimir; Edel Evelyn; Munteanu Valentin; Russegger Nadine; Dax Ingrid; Shen Chen; Bertram Florian; Hinderhofer Alexander; Gerlach Alexander; Schreiber Frank

プレプリント

J-GLOBAL ID：202202207357773324 整理番号：22P0294221

中性子およびX線反射率データのニューラルネットワーク解析:多重反射,実験誤差および特徴工学を用いた自動解析【JST・京大機械翻訳】

Neural network analysis of neutron and X-ray reflectivity data: automated analysis using mlreflect, experimental errors and feature engineering

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 (11件)： , , , , , , , , , ,
資料名：
発行年： 2022年02月23日プレプリントサーバーでの情報更新日： 2022年02月23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)

本研究では,機械学習を用いた反射率測定データの自動化解析に対して最適化パイプラインを実装するPythonパッケージmlreflectを示した。パッケージは,いくつかの訓練とデータ処理技術を,以前の論文で議論している。ニューラルネットワークによってなされた予測は正確でロバストであり,データのオプションに続く最小二乗(LMS)適合のための良好な開始パラメータとして役立つ。シリコン基板上の種々の薄膜の242反射率曲線の大きなデータセットに対して,パイプラインは,物理的知識と注意深く選んだ境界条件の適用により,人間の研究者によって生成された適合に非常に近いLMS最小値を信頼性良く見つけることを示した。さらに,ニューラルネットワークの訓練および性能に対するシミュレーションおよび実験データとそれらの含意の違いを考察した。実験試験セットを用いて訓練中の最適騒音レベルを決定した。さらに,ニューラルネットワークの極めて速い予測時間を利用して,データの僅かな変動をサンプリングすることにより,系統的誤差を補償する。【JST・京大機械翻訳】

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

非破壊試験 , パイプライン輸送

, , , , , , ,

前のページに戻る