MétaCan
Menu
Retour à la cohorte
Enregistrement W2789274815 · doi:10.1002/jemt.23006

Evaluation of electron tomography reconstruction methods for interface roughness measurement

2018· article· en· W2789274815 sur OpenAlexaff
Misa Hayashida, Shinichi Ogawa, Marek Malac

Notice bibliographique

RevueMicroscopy Research and Technique · 2018
Typearticle
Langueen
DomaineMaterials Science
ThématiqueElectron and X-Ray Spectroscopy Techniques
Établissements canadiensUniversity of AlbertaNational Institute for Nanotechnology
Organismes subventionnairesnon disponible
Mots-clésTilt (camera)Surface finishAlgebraic Reconstruction TechniqueIterative reconstructionTomographyElectron tomographyInterface (matter)Materials scienceSurface roughnessProjection (relational algebra)OpticsComputer scienceBiomedical engineeringMathematicsComputational physicsPhysicsAlgorithmGeometryComputer visionScanning electron microscopeComposite materialEngineering

Résumé

récupéré en direct d'OpenAlex

We evaluate the suitability of simultaneous iterative reconstruction technique (SIRT), filtered back projection, and simultaneous algebraic reconstruction technique methods for buried interface roughness measurements. We also investigate the effect of total electron dose distributed over the entire tilt series on measured roughness values. We investigate the applicability of the dose fractionation theorem by evaluating the effect of an increasing number of images, i.e., decreasing tilt increment size at fixed total electron irradiation dose on the quantitative measurement of buried interface roughness. The results indicate that SIRT is the most suitable method for reconstruction and a 3° to 5° angle is optimal for the roughness measurement.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,024
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,342
Score d'incertitude au seuil0,831

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0240,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,101
Tête enseignante GPT0,486
Écart entre enseignants0,384 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMicroscopy Research and TechniqueMême sujetElectron and X-Ray Spectroscopy TechniquesTravaux en français237 207