2025-01-17 に確認した最新投稿の一部です。
Article: 1
Title:
Revealing Local Structures through Machine-Learning- Fused Multimodal Spectroscopy
Published:
2025-01-15
Authors:
Haili Jia, Yiming Chen, Gi-Hyeok Lee, Jacob Smith, Miaofang Chi, Wanli Yang, Maria K. Y. Chan
Abstract:
材料の原子構造は、その機能に関する貴重な洞察を提供します。これらの構造を決定することは、材料科学、特に欠陥のあるシステムにおいて、依然として基本的な課題です。実験方法と計算方法の両方が存在する一方で、ナノスケールの構造の解明にはそれぞれ限界があります。X線吸収(XAS)や電子エネルギー損失分光法(EELS)などのコアレベルの分光法は、材料の局所的な結合環境と構造を決定するために使用されてきました。最近では、機械学習(ML)手法を適用してXAS/EELSから構造情報とボンディング情報を抽出するようになりましたが、これらのフレームワークのほとんどは単一のデータストリームに依存しており、多くの場合、不十分です。この研究では、マルチモーダルab initioシミュレーション、実験データ取得、および構造特性評価のためのML技術を統合することにより、この課題に対処します。私たちの目標は、複数の要素とエッジからのEELSおよびXASデータを使用して、局所的な構造と特性を決定することです。その取り組みを示すために、リチウムイオン電池に使用されている酸素空孔やアンチサイト欠陥のあるものなど、さまざまなリチウムニッケルマンガンコバルト(NMC)酸化物化合物をサンプル材料システムとして使用しています。私たちは、リチウムから遷移金属までの局所元素含有量を、実験データと定量的に一致させて推定することに成功しました。予測精度の向上だけでなく、マルチモーダル分光データに基づくMLモデルにより、酸素空孔やアンチサイトなどの局所的な欠陥が存在するかどうかを判断できることがわかりました。これは、シングルモードスペクトルや他の実験手法では不可能な作業です。さらに、私たちのフレームワークは、物理的な解釈可能性を提供し、分光法を局所的な原子および電子構造と橋渡しすることができます。
Article: 2
Title:
ML Mule: Mobile-Driven Context-Aware Collaborative Learning
Published:
2025-01-13
Authors:
Haoxiang Yu, Javier Berrocal, Christine Julien
Abstract:
人工知能は日常生活のほぼすべての側面に統合されており、コンピュータービジョンによるオブジェクト検出から、メールを作成するための大規模言語モデル、スマートホームのコンパクトモデルまで、さまざまなアプリケーションを強化しています。これらの機械学習モデルは個々のユーザーに対応していますが、通常は一元化されたデータセンターに保存および処理されるため、多くの場合、ユーザーから切り離されています。この一元化されたアプローチは、プライバシーに関する懸念を引き起こし、高いインフラストラクチャコストが発生し、パーソナライゼーションに苦労します。これらの問題に対処するために、連合型および完全分散型の学習方法が提案されていますが、それでも中央集権的なサーバーに依存していたり、通信の制約により収束が遅くなったりします。これらの課題を克服するために、個々のモバイルデバイスを「ミュール」として利用し、物理空間を移動するモデルのスナップショットをトレーニングおよび転送し、これらのモデルをそれらが生息する物理的な「空間」と共有するアプローチであるMLミュールを提案します。この方法は、特定のスペースを共有するユーザーに関連付けられたデバイス間で暗黙的にアフィニティグループを形成し、協調的なモデルの進化を可能にし、ユーザーのプライバシーを保護します。私たちのアプローチは、従来の学習システム、連合型学習システム、および完全に分散化された学習システムのいくつかの主要な欠点に対処します。提案されたフレームワークは、より堅牢で、分散され、パーソナライズされた新しいクラスの機械学習方法を表しており、インテリジェントで適応性があり、真にコンテキスト認識型のスマート環境という当初のビジョンの実現にこの分野を近づけます。その結果、ML Mule は他の既存の方法と比較して、より迅速に収束し、高いモデル精度を達成していることが示されています。
Article: 3
Title:
Modeling Melt Pool Features and Spatter Using Symbolic Regression and Machine Learning
Published:
2025-01-15
Authors:
Olabode T. Ajenifujah, Amir Barati Farimani
Abstract:
アディティブ・マニュファクチャリング(AM)は、急速に進化している技術であり、複雑な形状を製造できることから、幅広い分野での応用が進んでいます。しかし、AMにおける重要な課題の1つは、一貫した印刷品質を実現することです。この不整合は、多くの場合、制御されていないメルトプールのダイナミクスに起因し、部分的には欠陥につながる可能性のあるスパッタによって引き起こされます。したがって、メルトプールの変化を捉えて制御することは、プロセスの安定性と成形品の品質を向上させるために重要です。本研究では、機械学習(ML)と多項式シンボリック回帰モデルにより、AM運用における意思決定を支援するフレームワークを開発し、品質管理の促進と欠陥の最小化を実現しました。私たちは、レーザー粉末床溶融結合(LPBF)プロセスから大規模なデータセットを収集するための費用対効果の高いアプローチとして、実験的に検証された計算ツールを実装しました。281のプロセス条件で構成されるデータセットの場合、メルトプールの寸法(長さ、幅、深さ)、メルトプールの形状(面積、体積)、スパッタとして示された体積などのパラメータが抽出されました。機械学習(ML)と多項式シンボリック回帰モデルを使用して、モデルが入力するプロセス条件(電力と速度)またはメルトプールの寸法を使用して、トレーニングデータセットとテストデータセットの両方のメルトプールの寸法と形状の特徴を予測する際に、95%を超える高いR2が達成されました。スパッタとして示された体積の場合、R2 は、プロセス条件またはメルトプールの寸法であるモデル入力を対数変換した後に改善しました。調査したMLモデルの中で、ExtraTreeモデルは96.7%と87.5%の最高のR2値を達成しました。
Article: 4
Title:
Maximizing Uncertainty for Federated learning via Bayesian Optimisation-based Model Poisoning
Published:
2025-01-14
Authors:
Marios Aristodemou, Xiaolan Liu, Yuan Wang, Konstantinos G. Kyriakopoulos, Sangarapillai Lambotharan, Qingsong Wei
Abstract:
Narrow Artificial IntelligenceからArtificial Super Intelligenceに移行するにつれて、ユーザーは自分のプライバシーと機械学習(ML)技術の信頼性についてますます懸念しています。信頼性のメトリクスの共通項は、DLアルゴリズム、特にモデルパラメータ、入力データ、モデル予測に固有の不確実性の定量化です。DLでプライバシー関連の問題に対処するための一般的なアプローチの1つは、プライベートな生データがユーザー間で共有されないフェデレーテッドラーニング(FL)などの分散学習を採用することです。FLのプライバシー保護メカニズムにもかかわらず、信頼性の課題に直面しています。具体的には、悪意のあるユーザーは、トレーニング中に悪意のあるモデル パラメーターを体系的に作成して、モデルの予測機能と生成機能を危険にさらす可能性があり、その結果、信頼性の不確実性が高くなります。悪意のある動作を実証するために、グローバルモデル出力の不確実性を最大化することを目的としたDelphiという名前の新しいモデルポイズニング攻撃方法を提案します。これは、不確実性とローカルモデルの最初の隠れ層のモデルパラメータとの関係を利用することで実現します。Delphi では、ベイズ最適化と最小二乗信頼領域の 2 種類の最適化を使用して、Delphi-BO と Delphi-LSTR という名前の最適なポイズン モデル パラメーターを検索します。KLダイバージェンスを使用して不確実性を定量化し、モデル出力の不確実な分布に対する予測確率分布の距離を最小化します。さらに、FLで実証された攻撃の有効性について、数値的な証明を確立し、Delphi-BOはDelphi-LSTRよりも高い不確実性を誘発し、ポイズニング攻撃をモデル化するためのFLシステムの脆弱性を強調しています。
Article: 5
Title:
Published:
2025-01-14
Authors:
Kehan Huang, Min Qiu, Jinhong Yuan
Abstract:
インデックス変調付き直交時間周波数空間(OTFS-IM)は、二重選択性フェージングチャネルのスペクトル効率(SE)とビットエラーレート(BER)の間に柔軟なトレードオフを提供します。OTFS-IMスキームはそのような可能性を示しましたが、検出の複雑さには永続的な課題があります。この問題に対処するために、階層モードベースのインデックス変調(HMIM)を提案します。HMIMは、IMパターンによって情報ビットを変調する新しいアプローチを導入し、ガウスノイズによる最大事後(MAP)推定の複雑さを大幅に簡素化します。さらに、最近提案された直交遅延ドップラー分割多重(ODDM)変調、つまりODDM-HMIMにHMIMを組み込み、遅延ドップラー(DD)チャネルの多様性を最大限に活用します。ODDM-HMIMのBER性能は、最尤法(ML)検出器を考慮して解析されます。私たちの数値結果は、同じSEで、HMIMはBERと計算量の両方の点で従来のIMを上回ることができることを示しています。さらに、ODDM-HMIMに対して、大きなフレームサイズで低複雑性の検出を可能にする、逐次干渉キャンセルベースの最小平均二乗誤差(SIC-MMSE)検出器を提案します。