An unsupervised shapelet-based method for quantification of nanostructured surface imaging
Notice bibliographique
Résumé
Computational methods to quantify structure–property relationships of materials are lacking in comparison to the widespread availability of nanostructure image-based characterization techniques. There are several existing quantification methods to characterize self-assembled nanomaterials, however many techniques are infeasible for use in processing large-scale spatial variation and/or require significant manual image pre-processing. The use of shapelet functions to computationally quantify nanostructured materials is a promising approach that is generalized for arbitrary pattern types but the current state of the art, the response distance method, requires user/researcher supervision. This need for supervision, along with the computational complexity of the method, make it infeasible for use in fully-automated large-scale computational analysis of nanostructured surface images. The development of a fully-automated unsupervised method for quantification of nanostructured surfaces would enable the development of broadly applicable structure–property relationships for nanomaterials, leveraging large amounts of previously captured data (so-called meta-analyses). In this work, these issues with the shapelet-based response distance method are resolved through the development and validation of a multi-step machine learning process which enables unsupervised (fully-automated) analysis of nanostructure imaging. The presented method removes the need for any researcher knowledge regarding order symmetries and enables truly large-scale analysis (e.g., meta-analyses) of the vast amount of nanostructure imaging data currently available. The presented unsupervised shapelet-based response distance method also results in at least an order-of-magnitude reduction in computational complexity compared to the existing method, at the cost of some degree of generality. A software implementation of the presented unsupervised method is provided in the open-source shapelets Python package.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».