文献

J-GLOBAL ID：202202276073298541   整理番号：22A1153556

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

著者 (11件)： Greco Alessandro (University of Tuebingen, Institute of Applied Physics, Auf der Morgenstelle 10, 72076 Tuebingen, Germany) ,  Starostin Vladimir (University of Tuebingen, Institute of Applied Physics, Auf der Morgenstelle 10, 72076 Tuebingen, Germany) ,  Edel Evelyn (University of Tuebingen, Institute of Applied Physics, Auf der Morgenstelle 10, 72076 Tuebingen, Germany) ,  Munteanu Valentin (University of Tuebingen, Institute of Applied Physics, Auf der Morgenstelle 10, 72076 Tuebingen, Germany) ,  Russegger Nadine (University of Tuebingen, Institute of Applied Physics, Auf der Morgenstelle 10, 72076 Tuebingen, Germany) ,  Dax Ingrid (University of Tuebingen, Institute of Applied Physics, Auf der Morgenstelle 10, 72076 Tuebingen, Germany) ,  Shen Chen (Deutsches Elektronen-Synchrotron DESY, Notkestrasse 85, 22607 Hamburg, Germany) ,  Bertram Florian (Deutsches Elektronen-Synchrotron DESY, Notkestrasse 85, 22607 Hamburg, Germany) ,  Hinderhofer Alexander (University of Tuebingen, Institute of Applied Physics, Auf der Morgenstelle 10, 72076 Tuebingen, Germany) ,  Gerlach Alexander (University of Tuebingen, Institute of Applied Physics, Auf der Morgenstelle 10, 72076 Tuebingen, Germany) ,  Schreiber Frank (University of Tuebingen, Institute of Applied Physics, Auf der Morgenstelle 10, 72076 Tuebingen, Germany)
資料名： Journal of Applied Crystallography  (Journal of Applied Crystallography)
巻： 55  号： 2  ページ： 362-369  発行年： 2022年 
JST資料番号： D0631A  ISSN： 0021-8898  CODEN： JACGAR  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： Pythonパッケージmlreflectは実証され,機械学習を用いた反射率測定データの自動解析のための最適化パイプラインを実装した。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の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。ニューラルネットワークの訓練と性能に対するシミュレーションデータと実験データの違いとそれらの含意を考察した。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。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。Copyright 2022 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最小二乗法 ,  最適化 ,  シミュレーション ,  薄膜 ,  *反射率 ,  信頼性 ,  *ニューラルネットワーク ,  境界条件 ,  データ処理 ,  騒音レベル ,  *多重反射 ,  ロバスト性 ,  機械学習
準シソーラス用語： シリコンウエハ ,  Python , 【Automatic Indexing@JST】

著者キーワード (4件)： 反射率測定 ,  データ解析 ,  機械学習 ,  Python

分類 (2件)： 構造決定法・回折結晶学一般  (BK01010X) ,  X線回折法  (BK01020I)

タイトルに関連する用語 (8件)： 中性子 ,  X線反射率 ,  ニューラルネットワーク ,  解析 ,  多重反射 ,  実験 ,  誤差 ,  工学