从简约表示中解析物理与化学：基于不变变分自编码器的图像分析
机器学习
2023-04-03 v1 无序系统与神经网络
材料科学
数据分析、统计与概率
摘要
电子、光学和扫描探针显微方法正生成日益增多的图像数据，其中包含原子与介观尺度结构及功能的信息。这亟需开发从数据中发现物理与化学现象的机器学习方法，例如电子与扫描隧道显微图像中对称性破缺的表征、纳米颗粒的可变性。变分自编码器(VAEs)正作为一种强大的无监督数据分析范式兴起，能够解耦变异因素并发现最优简约表示。在此，我们总结VAE的最新进展，涵盖VAE背后的基本原理与直觉。不变VAE被引入作为一种容纳成像数据中存在的尺度与平移不变性、并将已知变异因素与待发现因素分离的方法。我们进一步描述了通过对VAE架构的控制所带来的机遇，包括条件、半监督与联合VAE。讨论了VAE在扫描透射电子显微的玩具模型与实验数据集上的若干应用案例，强调VAE与基本物理原理之间的深刻联系。此处使用的所有代码可在 https://github.com/saimani5/VAE-tutorials 获取，本文可作为将这些方法应用于自有数据集的应用指南。
引用
@article{arxiv.2303.18236,
title = {Physics and Chemistry from Parsimonious Representations: Image Analysis via Invariant Variational Autoencoders},
author = {Mani Valleti and Yongtao Liu and Sergei Kalinin},
journal= {arXiv preprint arXiv:2303.18236},
year = {2023}
}
备注
55 pages, 16 figures