ترجمه فارسی مقاله کشف ثابت ویژگی‌ها در مقیاس‌های طولی چندگانه: کاربردها در میکروسکوپی و مشخصه‌یابی مواد خودگردان

چکیده

Physical imaging is a foundational characterization method in areas from condensed matter physics and chemistry to astronomy and spans length scales from atomic to universe. Images encapsulate crucial data regarding atomic bonding, materials microstructures, and dynamic phenomena such as microstructural evolution and turbulence, among other phenomena. The challenge lies in effectively extracting and interpreting this information. Variational Autoencoders (VAEs) have emerged as powerful tools for identifying underlying factors of variation in image data, providing a systematic approach to distilling meaningful patterns from complex datasets. However, a significant hurdle in their application is the definition and selection of appropriate descriptors reflecting local structure. Here we introduce the scale-invariant VAE approach (SI-VAE) based on the progressive training of the VAE with the descriptors sampled at different length scales. The SI-VAE allows the discovery of the length scale dependent factors of variation in the system. Here, we illustrate this approach using the ferroelectric domain images and generalize it to the movies of the electron-beam induced phenomena in graphene and topography evolution across combinatorial libraries. This approach can further be used to initialize the decision making in automated experiments including structure-property discovery and can be applied across a broad range of imaging methods. This approach is universal and can be applied to any spatially resolved data including both experimental imaging studies and simulations, and can be particularly useful for exploration of phenomena such as turbulence, scale-invariant transformation fronts, etc.

چکیده به فارسی (ترجمه ماشینی)

تصویربرداری فیزیکی یک روش خصوصیات اساسی در مناطقی است که از فیزیک و شیمی ماده متراکم گرفته تا نجوم و مقیاس های طول از اتمی به جهان را شامل می شود.تصاویر داده های مهم در مورد پیوند اتمی ، ریزساختارهای مواد و پدیده های پویا مانند تکامل ریزساختاری و تلاطم را از جمله پدیده های دیگر محاصره می کنند.این چالش در استخراج و تفسیر این اطلاعات به طور مؤثر است.خودروهای متغیر (VAES) به عنوان ابزاری قدرتمند برای شناسایی عوامل اساسی تغییر در داده های تصویر ظاهر شده اند و یک رویکرد سیستماتیک برای تقطیر الگوهای معنی دار از مجموعه داده های پیچیده ارائه می دهند.با این حال ، یک مانع قابل توجه در کاربرد آنها تعریف و انتخاب توصیف کننده های مناسب که منعکس کننده ساختار محلی هستند.در اینجا ما رویکرد مقیاس-متغیر VAE (SI-VAE) را بر اساس آموزش مترقی VAE با توصیف کننده های نمونه برداری شده در مقیاس های مختلف معرفی می کنیم.SI-VAE امکان کشف فاکتورهای وابسته به مقیاس طول تغییر در سیستم را فراهم می کند.در اینجا ، ما این رویکرد را با استفاده از تصاویر دامنه فروالکتریک نشان می دهیم و آن را به فیلم های پدیده های ناشی از الکترونی در گرافن و تکامل توپوگرافی در سراسر کتابخانه های ترکیبی تعمیم می دهیم.این روش می تواند بیشتر برای اولیه سازی تصمیم گیری در آزمایش های خودکار از جمله کشف ساختار ساختار استفاده شود و می تواند در طیف گسترده ای از روش های تصویربرداری استفاده شود.این رویکرد جهانی است و می تواند برای هرگونه داده های برطرف شده مکانی از جمله مطالعات تصویربرداری تجربی و شبیه سازی استفاده شود ، و می تواند به ویژه برای اکتشاف پدیده هایی مانند آشفتگی ، جبهه های تحول در مقیاس و غیره مفید باشد.