Академиялык изилдөөлөр, түшүнүктүү тил

Verianla | Кыргызча академиялык изилдөөлөр жана илим

17 ноябрь 2026, Шейшемби
VERİANLA Көз карандысыз илимий басма
Менюну ачуу же жабуу
...
Башкы бет / Физикалык илимдер / Материал таануу / QuPAINT: Кванттык Материалдарды Ачуу үчүн Физикага Негизделген Нускама Жөндөө Ыкмасы
Материал таануу

QuPAINT: Кванттык Материалдарды Ачуу үчүн Физикага Негизделген Нускама Жөндөө Ыкмасы

QuPAINT (Physics-Aware Instruction Tuning) — эки өлчөмдүү кванттык материалдардын оптикалык микроскоп сүрөттөрүн физикалык оптикадагы алдын ала маалыматтарды жана мультимодалдык жасалма интеллектти бирге колдонуп мүнөздөөгө багытталган мультимодалдык модель алкагы.

13/11/2026  Veri Anla  289 көрүү
QuPAINT: Кванттык Материалдарды Ачуу үчүн Физикага Негизделген Нускама Жөндөө Ыкмасы

QuPAINT (Physics-Aware Instruction Tuning) — эки өлчөмдүү кванттык материалдардын оптикалык микроскоп сүрөттөрүн физикалык оптиканын априордук маалыматтары менен мультимодалдык жасалма интеллектти бирге колдонуу аркылуу мүнөздөөгө багытталган мультимодалдык модель алкагы. Изилдөө өз ара байланышкан төрт компонентти түзөт: Synthia жука катмар интерференциясын Transfer Matrix Method (TMM) менен моделдеп, физикалык негизделген синтетикалык flake сүрөттөрүн жаратат; QMat-Instruct бул сүрөттөрдү физика-маалыматтуу суроо–жооп жуптары менен бириктирет; Physics-Informed Attention (PIA) микроскоп сүрөтүндөгү flake–substrate түс контрастын CIELAB мейкиндигинде өлчөп, визуалдык token-дерди физикалык жактан кайра салмактайт; QF-Bench болсо моделди ар түрдүү эки өлчөмдүү материалдарда жана сүрөттөө шарттарында баалоо үчүн аннотацияланган benchmark берет.

Бул жердеги “кванттык материал” деген сөз ыкма кванттык компьютерде иштейт дегенди билдирбейт. Колдонулган үйрөнүү архитектурасы классикалык жасалма интеллект жана компьютердик көрүү модели. “Кванттык” деген мүнөздөмө graphene, MoS2, WTe2, h-BN жана ушул сыяктуу атомдук жука материалдардын электрондук, оптикалык жана кванттык касиеттери катмар санына күчтүү көз каранды болгонунан келип чыгат. Изилдөөнүн максаты жаңы кванттык бөлүкчө же жаңы материал синтездөө эмес; бар болгон эки өлчөмдүү flake-терди оптикалык микроскоп сүрөттөрүнөн ишенимдүүрөөк табуу, жайгаштыруу жана катмар класстары менен байланыштыруудан турат.

Булак чыныгы лабораториялык иш агымындагы негизги маселени мындай аныктайт: оптикалык микроскопия көп сандагы flake-терди тез сүрөткө тартууга мүмкүндүк берет, бирок калыңдыкты түз жана так бербейт; Atomic Force Microscopy (AFM) нанометр масштабында калыңдыкты өлчөй алат, бирок жай, физикалык үлгүнү көчүрүүнү талап кылат жана чоң көлөмдөгү маалыматты чогултууда масштабдоо кыйын. Мындан тышкары, mono-, bi- жана бир нече катмарлуу flake-тердин ортосундагы визуалдык контраст айырмасы жарыктандыруу, камера, substrate калыңдыгы жана ак баланс себеп болгон өзгөрүүлөрдөн кичине болушу мүмкүн. Ошондуктан RGB көрүнүшүнө гана таянган жалпы объект табуу моделдери башка лабораторияларга өткөрүлгөндө кыйналышы мүмкүн.

QMat-Instruct окутуу маалыматы сегиз материал үчүн ар бир материалга 50.000 үлгүдөн, жалпысынан 400.000 үлгү камтыйт. Булак чыныгы жана физикага негизделген синтетикалык сүрөттөрдү бирге колдонот. Окутууда микроскоп сүрөттөрү 448×448 өлчөмүнө келтирилип, бири-бирин жаппаган 14×14 patch-терге бөлүнөт. Визуалдык бөлүк InternViT implementation колдонот; text encoder Qwen3-төн башталат. AdamW optimizer, \(2\times10^{-5}\) learning rate, \(1\times10^{-4}\) weight decay, batch size 4 жана 2 epoch колдонулган; окутуу 16 A100 GPUда жүргүзүлгөн.

QF-Bench таблицасында BN, Graphene, MoS2, MoSe2, MoWSe2, WS2, WSe2 жана WTe2 болгон сегиз материалда жалпысынан 280.526 flake аннотациясы берилет. Алардын 2.546сы Mono, 3.417си Few жана 274.563ү Thick категориясында. Бул бөлүштүрүү жука жана өзгөчө бир катмарлуу flake класстары benchmark ичинде кыйла азыраак өкүлчүлүккө ээ экенин ачык көрсөтөт.

Instruction grounding баалоосунда QuPAINT-2B Acc@50 = 51,4 жана Acc@75 = 39,5 алып, ошол эле таблицадагы InternVL-2B жана Qwen3VL-2B моделдеринен жогору натыйжа көрсөткөн. Жалпы flake табууда QuPAINT-8B 45,6 AP, 60,5 AP50 жана 47,9 AP75; mono-layer табууда болсо 37,3 AP, 52,8 AP50 жана 39,9 AP75 билдирет. Бул сандар изилдөөнүн QF-Bench баалоосуна тиешелүү; башка микроскоптордо, substrate-терде же текшерилбеген материалдык системаларда ошол эле көрсөткүчтөр кепилденет дегенди билдирбейт.

Изилдөө дагы эки негизги чектөөнү билдирет. Synthia чыныгы микроскоптордо кездешкен бардык flake кемчиликтерин жана сүрөттөө ар түрдүүлүгүн толук кайра жарата албагандыктан жаңы лабораторияларда domain gap калышы мүмкүн. QuPAINTтын экинчи негизги чектөөсү мультимодалдык моделдин максималдуу token узундугу; flake абдан тыгыз болгон сүрөттөр өтө көп визуалдык token жаратса, модель бүт көрүнүштү иштетүүдө кыйналышы мүмкүн.

QuPAINT Кванттык Компьютерди Колдонобу?

Жок. QuPAINT — классикалык GPUларда окутулган компьютердик көрүү жана мультимодалдык чоң тил модели алкагы; “quantum” сөзү эсептөө жабдыгын эмес, талданып жаткан эки өлчөмдүү кванттык материалдарды билдирет. Физикалык оптика модели TMM менен жука катмар интерференциясын эсептейт, PIA оптикалык контрастты визуалдык attention априоруна айландырат жана мультимодалдык модель бул маалыматты сүрөт жана текст менен бирге иштетет.

Эки өлчөмдүү кванттык материалдарда катмар саны эмне үчүн мынчалык маанилүү?

Атомдук жука эки өлчөмдүү материалдарда болгону бир нече атомдук катмарды кошуу же алып салуу электрондук тилке түзүлүшүн, оптикалык жоопту жана башка кванттык касиеттерди өзгөртө алат. Ошондуктан flake жөн гана “барбы же жокпу” деп табуу жетишсиз; анын monolayer, bilayer же калыңыраак аймак экени да илимий жактан маанилүү.

Булак мисал катары graphene, MoS2 жана WTe2 сыяктуу системаларды берет. Бирок изилдөөнүн өзү бул материалдардын электрондук тилке түзүлүшүн эсептебейт. Изилдөөнүн түз милдети — катмар санына байланышкан оптикалык контрастты сүрөт иштетүү жана мультимодалдык үйрөнүү үчүн колдонууга жарактуу кылуу.

Оптикалык микроскоп менен AFMдин айырмасы

ЫкмаАртыкчылыкЧектөөИзилдөөдөгү ролу
Оптикалык микроскопияМиңдеген flake-терди тез сүрөткө тарта алат.Катмар калыңдыгын өз алдынча так бербейт; түс жарыктандыруудан жана substrate-тен таасирленет.QuPAINTтын негизги сүрөт киришин түзөт.
Atomic Force Microscopy (AFM)Нанометр масштабында физикалык калыңдык өлчөмүн берет.Жай; flake-ти кайра табуу, үлгүнү көчүрүү жана ар бирин өзүнчө өлчөө талап кылынат.Оптикалык көрүнүштөн автоматтык баалоого муктаждыктын мотивациясын түзөт.

QuPAINTтын максаты AFMдин физикалык өлчөө мүмкүнчүлүгүн жокко чыгарганын далилдөө эмес. Модель оптикалык сүрөттөн талапкер flake жана катмар классын чыгарат. Критикалык физикалык мүнөздөө керек болгон эксперименттерде AFM, Raman спектроскопиясы же башка көз карандысыз өлчөө ыкмалары керексиз болуп калды деген тыянакты бул изилдөө колдобойт.

QuPAINTтын маалымат жана модель чынжырынын көз карандысыз кайра курулушу. Synthia физикага негизделген синтетикалык сүрөт жаратат; QMat-Instruct сүрөттөрдү физика-маалыматтуу көрсөтмөлөр менен байланыштырат; PIA визуалдык token-дерди оптикалык контраст априору менен салмактайт; QuPAINT мультимодалдык чыгыш чыгарат жана натыйжа QF-Benchте бааланат. Схема масштабсыз жана булак фигурасынын пикселдик көчүрмөсү эмес.

Synthia Эки Өлчөмдүү Кванттык Материал Сүрөттөрүн Кантип Жаратат?

Synthia чыныгы микроскоп фондоруна жайгаштырыла турган синтетикалык эки өлчөмдүү flake-тердин түстөрүн туш келди тандоонун ордуна, аба–flake–SiO2–Si катмар системасынын жука катмар интерференциясын Transfer Matrix Method менен эсептеп, натыйжаны CIE түс мейкиндигине айлантып, андан соң чыныгы сүрөттүн ак балансына жана таза substrate аймактарына ылайыкташтырган физикага негизделген синтетикалык маалымат өндүрүү алкагы.

Transfer Matrix Method эмне үчүн керек?

Эки өлчөмдүү flake оптикалык микроскопто өзүнүн “табигый түсүнөн” гана көрүнбөйт. Flake, SiO2 жана Si сыяктуу катмарлардын чек араларында жарык кайра-кайра чагылып жана өткөрүлөт. Ар башка оптикалык жолдордун ортосунда пайда болгон фаза айырмасы айрым толкун узундуктарын күчөтүп, башкаларын алсыратышы мүмкүн. Бул кубулуш жука катмар интерференциясы деп аталат.

Synthia ар бир катмарды комплекстүү сынуу көрсөткүчү:

\[ n_l(\lambda)+i\,k_l(\lambda) \]

жана физикалык калыңдык \(d_l\) менен аныктайт. \(n_l\) сынуу көрсөткүчүнүн реалдуу бөлүгүн, \(k_l\) сиңирүүгө байланышкан өчүү бөлүгүн, \(\lambda\) жарыктын толкун узундугун көрсөтөт. Сынуу көрсөткүчтөрү өлчөмсүз; \(\lambda\) жана \(d_l\) бирдей узундук бирдигинде алынууга тийиш.

Теңдеме (1): Катмар чек арасындагы Fresnel коэффициенттери

\[ r_{l,l+1} = \frac{n_l-n_{l+1}} {n_l+n_{l+1}}, \qquad t_{l,l+1} = \frac{2n_l} {n_l+n_{l+1}}. \tag{1} \]

\(r_{l,l+1}\), \(l\)-катмардан \(l+1\)-катмарга өткөндөгү чагылуу амплитуда коэффициентин; \(t_{l,l+1}\), өткөрүү амплитуда коэффициентин билдирет. Булар түздөн-түз жарык интенсивдүүлүгү эмес; электр талаасынын амплитудаларынын катыштары жана өлчөмсүз.

Катмар ичинде жарыктын тарашы фаза кечигүүсүн пайда кылат. Булак бул байланышты:

\[ \delta_l = \frac{2\pi n_l d_l}{\lambda} \]

түрүндө колдонот жана ар бир катмардагы таралууну \(P_l\) propagation matrix менен көрсөтөт. Физикалык мааниси ачык: бирдей калыңдыкта чоңураак сынуу көрсөткүчү оптикалык жолду көбөйтөт; ошол эле материалда чоңураак толкун узундугу болсо бирдик калыңдыкка фаза топтолушун азайтат.

Теңдеме (2): Бардык катмарлардын transfer-matrix чынжыры

\[ \begin{pmatrix} v\\ u \end{pmatrix} = M_{0,1} \left( \prod_{l=1}^{L} P_lM_{l,l+1} \right) \begin{pmatrix} u_0\\ 0 \end{pmatrix}. \tag{2} \]

\(u_0=1\), кирген электр талаасы амплитудасынын нормалдашуусу. \(v\), жалпы чагылган талаа амплитудасы; \(u\), substrate-ке өткөрүлгөн талаа амплитудасы. \(M_{l,l+1}\), интерфейс transfer matrix-ти; \(P_l\), \(l\)-катмардагы propagation matrix-ти билдирет.

Чагылуу:

\[ R(\lambda) = \left| \frac{v}{u_0} \right|^2 \]

менен эсептелет. \(R(\lambda)\) өлчөмсүз интенсивдүүлүк катышы жана жарыктын толкун узундугуна көз каранды.

Булак синтетикалык flake өндүрүүдө көрүнүүчү спектрди:

\[ \lambda\in[400,700]\ \mathrm{nm} \]

аралыгында \(D\) дискреттик толкун узундугунда үлгүлөйт.

Теңдеме (3): Чагылуу спектри RGB түсүнө кантип айланат?

\[ \mathbf{x} = \int_{\lambda_{\min}}^{\lambda_{\max}} \mathbf{S}(\lambda) I(\lambda) R(\lambda) \,d\lambda \approx \sum_{i=1}^{D} \mathbf{S}(\lambda_i) I(\lambda_i) R(\lambda_i). \tag{3} \]

\(\mathbf{S}(\lambda)\in\mathbb{R}^{3\times1}\), CIE 1931 түс дал келтирүү функцияларынын үч түс компонентин; \(I(\lambda)\), стандарт жарык булагынын спектрин; \(R(\lambda)\), эсептелген reflectance маанисин билдирет. Натыйжа \(\mathbf{x}\), RGB түс компоненттери менен байланышкан үч компоненттүү түс вектору.

Булак ушул эле туюнтманы matrix түрүндө:

\[ \mathbf{x} = S^\top (I\circ R) \]

деп да жазат. \(\circ\), element-wise product, башкача айтканда ошол эле толкун узундугундагы жарыктандыруу менен чагылуу маанилеринин элемент боюнча көбөйтүлүшү.

Оптикалык модель Pythonдогу tmm пакети менен ишке ашырылган. Synthia, мисалы graphene, MoS2, WSe2 жана h-BN үчүн толкун узундугуна көз каранды \(n(\lambda)\) жана \(k(\lambda)\) функцияларын колдонуп, ар башка калыңдыктагы reflectance спектрлерин эсептейт.

Synthia мурдагы синтетикалык өндүрүшкө кошкон компоненттер

ӨзгөчөлүкMaskTerialSynthia
Бир нече материал булагынан flake формаларыБарБар
Физикага негизделген оптикалык симуляция (TMM)БарБар
Жекелештирилген түс калибрлөөсүЖокБар
CIE стандартын колдонууЖокБар
Бар flake-тер менен кабатталуунун алдын алууЖокБар

White-Balance-Aware модулу эмне үчүн керек?

Чыныгы микроскоп сүрөттөрүндө колдонуучу же түзмөк RGB каналдарына ар башка gain маанилерин колдонушу мүмкүн. Бир эле материал жана substrate да ар башка лабораторияларда ар түрдүү түстө көрүнүшү мүмкүн. Synthia бул айырманы физика моделинен баш тартуу менен эмес, физика модели чыгарган түскө чыныгы reference сүрөттөн алынган канал gain-дерин колдонуу аркылуу эске алат.

Substrate-Aware модулу эмне үчүн керек?

Синтетикалык flake туш келди пикселге жайгаштырылса, чыныгы flake-тердин, кирлердин же башка түзүлүштөрдүн үстүнө түшүшү мүмкүн. Бул физикалык жактан реалдуу эмес compositing artefact-тарын жаратышы мүмкүн. Synthia PIA негизиндеги attention картасынан attention төмөн болгон таза substrate аймактарын тандап, синтетикалык flake-ти жарактуу аймактарга гана жайгаштырууну көздөйт.

Synthia Algorithm 1 операцияларынын тартиби

БаскычОперацияМаксат
1Reference substrate-тин median түсү алынат.Чыныгы сүрөттүн түс калибрлөөсүн көрсөтүү.
2Аба–SiO2–Si substrate-инин TMM reflectance спектри эсептелет.Физика модели күткөн substrate түсүн табуу.
3CIE проекциясы менен физикалык substrate түсү эсептелет.Спектрди сүрөттүн түс мейкиндигине өткөрүү.
4Чыныгы жана моделдик substrate түстөрүнүн ортосунан каналга негизделген gain \(g\) алынат.White-balance айырмасын моделдөө.
5PIA картасы түзүлүп, нормалдаштырылат.Таза substrate аймактарын аныктоо.
690. percentil босогосу боюнча substrate mask алынат.Жогорку контрасттуу бар flake/текстура аймактарын чыгарып салуу.
7Random flake mask жана материалга ылайык thickness үлгүлөнөт.Синтетикалык flake геометриясын жана физикалык калыңдыгын тандоо.
8Бар түзүлүштөр менен кабатташпаган координата тандалат.Физикалык мааниси жок overlap-ты алдын алуу.
9Аба–flake–SiO2–Si стекинде reflectance эсептелет.Катмар санына көз каранды оптикалык көрүнүш түзүү.
10Reflectance CIE менен түскө айландырылып, white-balance gain колдонулат.Чыныгы микроскоп сүрөтүнө көбүрөөк шайкеш түс түзүү.
11Синтетикалык flake чыныгы substrate аймагына mask менен композиттелет.Акыркы синтетикалык микроскоп сүрөтүн түзүү.

QMat-Instruct деген эмне?

QMat-Instruct — авторлор кванттык материалдарды мүнөздөө үчүн иштеп чыккан мультимодалдык physics-aware instruction маалымат топтому. Ар бир үлгү жөн гана микроскоп сүрөтү же bounding box энбелгиси эмес; сүрөткө байланышкан табигый тилдеги суроону жана физикалык көрүнүштү түшүндүргөн жоопту камтыйт.

Булак үлгү тапшырмаларын үч негизги класста берет: flake саноо, flake жайгаштыруу жана белгилүү катмар классынын бар-жогун текшерүү. Түшүндүрмөлөрдө контраст, түс жылышы жана четтин тунук болушу сыяктуу жука катмар интерференциясына байланышкан визуалдык белгилер бар.

Булак окутуу топтомунда сегиз материал колдонот:

BN, Graphene, MoS2, MoSe2, MoWSe2, WS2, WSe2 жана WTe2.

Ар бир материал үчүн 50.000 sample түзүлгөнү жана жалпы окутуу үлгүсү:

\[ 8\times50{,}000 = 400{,}000 \]

экени булакта ачык көрсөтүлгөн.

Physics-Informed Attention (PIA) Эмнени Өлчөйт?

Physics-Informed Attention (PIA) ар бир сүрөт patch-инин CIELAB түс мейкиндигиндеги median түсү менен сүрөттүн median substrate түсүнүн ортосундагы Евклид аралыкты эсептеп, flake–substrate оптикалык контрастын билдирген attention априорун түзөт; QuPAINT бул физикага негизделген скорду үйрөнүлүүчү affine оңдоодон өткөрүп, визуалдык token-дерди салмактоо үчүн колдонот.

Vision encoder: Теңдеме (4)

\[ z_v = Enc_v(I), \qquad z_v = [v_1,\ldots,v_k], \qquad v_i\in\mathbb{R}^{d}. \tag{4} \]

\(I\in\mathbb{R}^{H\times W\times C}\), микроскоп сүрөтү. \(H\) сүрөт бийиктиги, \(W\) туурасы, \(C\) канал саны. \(Enc_v\) vision encoder; \(v_i\), \(i\)-patch үчүн \(d\)-өлчөмдүү визуалдык embedding; \(k\), жалпы patch/token саны.

PIA ар бир patch үчүн:

\[ \alpha = [\alpha_1,\ldots,\alpha_k], \qquad \alpha_i\in[0,1] \]

physics-based contrast score түзөт.

Физика скору эмне үчүн түз колдонулбайт?

Таза физика модели лабораториянын чыныгы камера spectral response-ын, white-balance тандоолорун жана бардык illumination айырмаларын толук билбеши мүмкүн. Ошондуктан QuPAINT физикалык априорду туруктуу калтыруунун ордуна scale жана bias гана үйрөнгөн кичине калибрлөө кошот.

Теңдеме (5): Үйрөнүлүүчү PIA оңдоосу

\[ \beta_i = \sigma(w\alpha_i+b), \qquad \beta_i\in[0,1], \qquad w,b\in\mathbb{R}. \tag{5} \]

\(\sigma\), logistic sigmoid функциясы. \(\alpha_i\), чийки физикага негизделген attention score; \(w\) жана \(b\), окутуу маалында үйрөнүлгөн бир өлчөмдүү scale жана жылдыруу параметрлери. \(\beta_i\), визуалдык token-ге колдонулуучу оңдолгон attention салмагы.

Теңдеме (6): Визуалдык token-дерди физикалык салмактоо

\[ \tilde v_i = \beta_i v_i, \qquad \tilde z_v = [\tilde v_1,\ldots,\tilde v_k]. \tag{6} \]

\(\beta_i\) кичине болсо тиешелүү patch embedding-дин моделге салымы басаңдайт; чоң болсо визуалдык token күчтүүрөөк өткөрүлөт. Бирок бул физикалык жактан “бул patch сөзсүз flake” дегенди билдирбейт. \(\beta_i\), мультимодалдык модель ичинде колдонулган attention салмагы.

Теңдеме (7): Текст encoder

\[ z_t = Enc_t(T), \qquad z_t = [t_1,\ldots,t_L], \qquad t_j\in\mathbb{R}^{d}. \tag{7} \]

\(T=\{T_1,\ldots,T_L\}\), колдонуучунун көрсөтмөсү же физика-маалыматтуу суроо тизмеги. \(Enc_t\), text encoder; \(t_j\), ар бир текст token-инин embedding-и.

Теңдеме (8): Мультимодалдык чыгыш

\[ Y = LLM(\tilde z_v,z_t), \qquad Y = [y_1,\ldots,y_M]. \tag{8} \]

Физика менен салмакталган визуалдык token-дер жана текст token-дери multimodal decoder-ге берилет. \(Y\), модель чыгарган жооп token тизмеги; \(M\), чыгыш узундугу.

Теңдеме (9): Autoregressive тил-модели жоготуусу

\[ \mathcal{L}_{LM} = -\frac{1}{M} \sum_{j=1}^{M} \log P_\theta \left( y_j \mid y_{

Бул loss туура кийинки token-ге берилген ыктымалдыкты жогорулатууга аракет кылат. \(y_{

PIA үчүн өзүнчө көз карандысыз түз supervision loss колдонулбайт. \(w\) жана \(b\), тил-модели loss-унан келген backpropagation аркылуу кыйыр оптималдаштырылат. Ошентип физикалык attention толук эркин neural attention-га айландырылбастан кичине үйрөнүлүүчү калибрлөөгө ээ болот.

CIELAB эмне үчүн RGB ордуна колдонулат?

RGB маанилери камера spectral response-у, exposure жана white-balance операцияларынан түз таасирлениши мүмкүн. CIELAB болсо luminance \(L^\ast\) менен эки chromatic coordinate — \(a^\ast\) жана \(b^\ast\)-ни бөлгөн perceptual түс мейкиндиги. Булак flake менен substrate ортосундагы CIELAB аралыкты thin-film interference келип чыккан reflectance айырмасына туруктуураак image-space proxy катары колдонот.

Теңдеме (10): CIELAB perceptual contrast

\[ \Delta E(x) = \left\| \Phi(I(x)) - \Phi(I_{bg}) \right\|_2 \tag{10} \]
\[ \Delta E(x) = \sqrt{ \left(L^\ast(x)-L^\ast_{bg}\right)^2 + \left(a^\ast(x)-a^\ast_{bg}\right)^2 + \left(b^\ast(x)-b^\ast_{bg}\right)^2 }. \]

\(\Phi\), RGBден CIELABга nonlinear өзгөртүү; \(I(x)\), каралып жаткан pixel/patch түсү; \(I_{bg}\), substrate фон түсү; \(\|\cdot\|_2\), Евклид нормасы.

\(\Delta E\) физикалык узундук, энергия же электр талаа бирдигине ээ эмес. Ал CIELAB координаттарынын ортосундагы кабыл алынган түс айырмасын көрсөткөн өлчөмсүз contrast скору.

Теңдеме (11): Patch-level PIA скору

\[ PIA\text{-}score[k] = \left\| \Phi(\hat I_k) - \Phi(I_{bg}) \right\|_2. \tag{11} \]

\(\hat I_k\), \(k\)-patch-тин median түсү. \(I_{bg}\), бүт сүрөт же тандалган region-of-interest ичиндеги median фон түсү.

PIAнын илимий ролунун көз карандысыз кайра курулушу. CIELAB контраст физикалык reflectance айырмасынын сүрөт-мейкиндик proxy-си катары колдонулат; кичине үйрөнүлүүчү affine калибрлөө бул физика априорун маалымат топтомунун чыныгы сүрөттөө шарттарына ылайыкташтырууга аракет кылат.

Кошумча материал: ΔE менен оптикалык reflectance ортосундагы биринчи тартиптеги байланыш

Supplementary material CIELAB contrast-тын физикалык оптика модели менен байланышын first-order Taylor approximation аркылуу түшүндүрөт. Flake-тин substrate-ке салыштырмалуу spectral reflectance айырмасы:

\[ \Delta R(\lambda) = R(x,\lambda)-R_{bg}(\lambda) \]

деп аныкталат. Mono- жана few-layer flakes үчүн \(\|\Delta R\|_\infty\) кичине деген божомолдо RGB→LAB өзгөртүү substrate түсүнүн айланасында сызыктуу жакындаштырылат:

\[ \Delta E(x) \approx \left\| J_\Phi(I_{bg}) \int \Delta R(\lambda) E(\lambda) S(\lambda) \,d\lambda \right\|_2. \tag{12} \]

\(J_\Phi(I_{bg})\), RGB→LAB өзгөртүүнүн \(I_{bg}\) чекитиндеги Jacobian matrix-и. \(E(\lambda)\), illumination spectrum; \(S(\lambda)\), камера/түс matching spectral response; \(\Delta R(\lambda)\), flake-тин substrate-ке салыштырмалуу reflectance айырмасы.

Андан кийин булак белгилүү оң \(c\) туруктуусу үчүн:

\[ \Delta E(x) \ge c\, \|\Delta I\|_2 = c \left\| \int \Delta R(\lambda) E(\lambda) S(\lambda) \,d\lambda \right\|_2 \tag{13} \]

байланышын берет.

Бул далилдин түшүндүрмө чеги маанилүү: булак \(\Delta E\)-ни катмар санына карата жергиликтүү monotonic proxy катары негиздейт. Бул бардык материалдарда, бардык thickness аралыктарында жана бардык оптикалык түзүлүштөрдө глобалдык бир маанилүү “ΔE → катмар саны” өзгөртүүсү далилденди дегенди билдирбейт.

Supplementary White-Balance теңдемелери

Чыныгы reference substrate-тин канал боюнча орточо түсү:

\[ [c^{ref}_{sub}]_k = \frac{ \sum_{i,j} I_{ref}[k,i,j]M_{sub}[i,j] }{ \sum_{i,j} M_{sub}[i,j] }, \qquad k\in\{1,2,3\}. \tag{14} \]

Бул жерде \(M_{sub}\), таза substrate пикселдерин тандаган binary mask.

Физика моделинен эсептелген white-balance алдындагы substrate түсү:

\[ c^{0}_{sub} = \Phi \left( R_{sub}(\lambda) \right) \in \mathbb{R}^{3}. \tag{15} \]

Булак diagonal channel-gain ыкмасы менен:

\[ c^{ref}_{sub} \approx \operatorname{diag}(g)c^{0}_{sub} \quad\Longrightarrow\quad g = c^{ref}_{sub} \oslash c^{0}_{sub} \tag{16} \]

туюнтмасын берет. \(\oslash\), element-wise division.

Бул gain синтетикалык сүрөттүн ар бир RGB каналына:

\[ I_{syn}[k,i,j] = g_k I^{0}_{syn}[k,i,j], \qquad k\in\{1,2,3\} \tag{17} \]

түрүндө колдонулат жана натыйжа \([0,1]\) аралыгына clip кылынат.

Supplementary Substrate-Aware жайгаштыруу теңдемелери

LAB attention картасы:

\[ A = F_{LAB}(I) \]

түзүлгөндөн кийин:

\[ \tilde A = \frac{ A-\min(A) }{ \max(A)-\min(A)+\varepsilon }. \tag{18} \]

менен нормалдаштырылат.

Таза substrate mask:

\[ M_{sub} = \mathbf{1} \{ \tilde A<\tau \}, \qquad \tau = Perc_{90}(\tilde A) \tag{19} \]

деп аныкталат. Жогорку-attention аймактары flake же жогорку текстуралуу аймак деп кабыл алынып, сыртта калтырылат.

Синтетикалык flake mask \(M_i\), тандалган координатада таза substrate менен шайкеш болушу керек:

\[ M_{sub} [v_i:v_i+h_i,\, u_i:u_i+w_i] \odot M_i \equiv0. \tag{20} \]

\(\odot\), element-wise multiplication. Натыйжанын нөл болушу синтетикалык flake mask бар тыюу салынган аймак менен кесилишпеши керек дегенди билдирет.

Тандалган материал \(s\), layer stack \(S=\{\mathrm{air},s,\mathrm{SiO_2},\mathrm{Si}\}\) жана thickness \(t_i\) үчүн:

\[ R_i(\lambda) = \mathcal{T} (S,t_i,\lambda) \tag{21} \]

reflectance spectrum эсептелет.

Бул spectrum CIE түс проекциясы аркылуу:

\[ c_i = \Phi \left( R_i(\lambda),I(\lambda) \right) = \int_{\lambda_{\min}}^{\lambda_{\max}} S(\lambda) I(\lambda) R_i(\lambda) \,d\lambda \tag{22} \]

RGB түсүнө айландырылат.

Акыркы compositing:

\[ I_{out} [v_i:v_i+h_i,\, u_i:u_i+w_i] = c_iM_i + I [v_i:v_i+h_i,\, u_i:u_i+w_i] (1-M_i). \tag{23} \]

менен жүргүзүлөт. \(M_i=1\) болгон flake пикселдеринде синтетикалык түс колдонулат; \(M_i=0\) болгон пикселдерде чыныгы substrate сүрөтү сакталат.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

QF-Bench Эмнени Өлчөйт жана Эмне Үчүн Маанилүү?

QF-Bench — QuPAINT жана башка моделдердин ар түрдүү эки өлчөмдүү материалдардагы flake табуу жана катмар классына сезимтал localization ийгилигин жалпы протокол менен салыштыруу үчүн түзүлгөн аннотацияланган benchmark; булак сегиз материалда 280.526 flake аннотациясын билдирет жана модель иштөөсүн жалпы flake, mono-layer flake жана instruction-grounding тапшырмаларында өлчөйт.

Модель окутуу жана inference параметрлери

ПараметрМааниРоль
Визуалдык implementationInternViTVision encoder инфраструктурасы
Сүрөт өлчөмү448×448Модель кириши
Patch14×14, бири-бирин жаппаганVision token өндүрүү
Text encoder initializationQwen3Көрсөтмө embedding-дери
OptimizerAdamWПараметр оптималдаштыруу
Learning rate\(2\times10^{-5}\)Optimizer кадам өлчөмү
Weight decay\(1\times10^{-4}\)Regularization
Batch size4Mini-batch өлчөмү
Epoch2Окутуу цикли
GPU16 × A100Окутуу жабдыгы
AugmentationRandom crop, horizontal flip, CIELAB color jitterIllumination жана white-balance robustness
Inference temperature\(T=0.2\)Генерация sampling параметри

QF-Bench flake бөлүштүрүүсү

МатериалMonoFewThickЖалпы
Жалпы2.5463.417274.563280.526
BN1311110.10010.224
Graphene1.8562.0814.2708.207
MoS2246536108.352109.134
MoSe224321.3271.383
MoWSe2935293337
WS24352.1442.192
WSe2207356.1956.437
WTe2148582141.882142.612

Булактагы категория чек арасы боюнча эскертүү: негизги текст QF-Bench үчүн “mono-layer, few-layer (2–5 layers) жана thick (5+ layers)” деген сөз айкашын колдонот. Бул жазылыш 5 катмарлуу үлгүнү эки чекке тең киргизгендей көрүнөт. Verianla муну үнсүз 2–4 деп өзгөрткөн эмес. Table 2 Mono/Few/Thick эсептерин гана бергендиктен 5-layer үлгүлөр кайсы категорияга чындап коддолгонун бул PDFтен тактоо мүмкүн эмес.

AP, AP50 жана AP75 эмнени өлчөйт?

Булак стандарт object-detection метрикалары AP, AP50 жана AP75ти колдонот. Негизги localization өлчөмү Intersection over Union (IoU). Төмөнкү IoU формуласы бул метрикаларды түшүндүрүү үчүн берилген стандарт компьютердик көрүү маалыматы; изилдөөнүн жаңы жыйынтыгы эмес:

\[ IoU = \frac{ |B_{\mathrm{pred}}\cap B_{\mathrm{gt}}| }{ |B_{\mathrm{pred}}\cup B_{\mathrm{gt}}| }. \]

\(B_{\mathrm{pred}}\), модель болжолдогон bounding box; \(B_{\mathrm{gt}}\), ground-truth кутусу. IoU 1ге жакындаган сайын эки куту көбүрөөк кабатташат.

AP50, 0,50 IoU босогосундагы precision–recall натыйжасын; AP75, катуураак 0,75 IoU босогосундагы натыйжаны билдирет. AP75 жогору болушу flake-тин болжолдуу аймагын табуу гана эмес, bounding box-ту так жайгаштыруу да жакшы экенин көрсөтөт.

Instruction grounding жыйынтыктары

МодельAcc@50Acc@75
InternVL-2B43,330,8
Qwen3VL-2B45,832,1
QuPAINT-2B51,439,5

Instruction grounding моделдин табигый тилде жооп түзүшүн гана эмес, көрсөтмөгө байланышкан flake аймагын туура сүрөт жайгашуусуна байлай алышын да баалайт. Булак RefCOCO баалоо протоколун карманганын билдирет.

Жалпы жана mono-layer flake табуу

МодельЖалпы Flake DetectionMono Flake DetectionПараметрFLOPs
APAP50AP75APAP50AP75
MaskRCNN-R5018,736,517,89,828,99,044M134,4B
MaskRCNN-R10120,338,118,911,130,610,363M334,8B
ViTDet (base)17,435,216,58,727,67,886M1,3T
ViTDet (large)18,937,017,39,929,88,5300M4,1T
YOLOv11-m24,841,921,117,027,216,420M68,0B
YOLOv11-l26,943,023,518,929,817,325M86,9B
YOLOv11-x29,644,524,619,831,318,757M194,9B
Co-DETR22,735,923,312,225,311,4304M119,4B
RT-DETRv227,537,227,017,537,814,776M259,0B
MaskTerial23,841,025,416,835,517,245M150,7B
φ-Adapt30,349,127,424,138,223,491M368,3B
QuPAINT-1B36,950,738,628,042,929,51,1B1,5T
QuPAINT-2B38,753,641,230,245,532,02,3B3,4T
QuPAINT-4B42,458,246,834,150,238,04,7B7,9T
QuPAINT-8B45,660,547,937,352,839,98,5B14,5T

Таблица бир учурда эки тенденцияны көрсөтөт. Биринчиден, булак benchmark-ында QuPAINT варианттары салыштырылган baseline моделдерден жогору натыйжа берет. Экинчиден, QuPAINT ичинде модель масштабы 1Bден 8Bге чоңойгон сайын AP маанилери өсөт, ошол эле учурда параметр жана FLOP чыгымы да олуттуу көбөйөт. Демек, жыйынтык жөн гана “жакшыраак accuracy” эмес, жогорку computational cost камтыган scaling trade-off да көрсөтөт.

Булактагы YOLO аталыш дал келбестиги: Table 4тө YOLOv11-m/l/x маанилери көрүнөт. Бирок жыйынтык текстинин айрым сүйлөмдөрүндө “YOLOv8-x” жана Table 4кө дал келбеген 28,3/19,0 AP маанилери жазылган. Verianla сандык салыштырууда көрүнгөн Table 4 маанилерин source-of-truth катары берген; тексттеги айырманы да өзүнчө көрүнүктүү калтырган.

PAD жана PIA абляциясы

PADPIAAPAP50AP75
ЖокЖок28,142,730,3
ЖокБар30,644,832,6
БарЖок31,746,533,4
БарБар34,150,238,0

Baseline түзүлүш 28,1 AP болсо, PIA гана 30,6 APге, PAD гана 31,7 APге жана эки компонент бирге колдонулганда 34,1 APге жетет. Булак муну эки физика-маалыматтуу компоненттин толуктоочу таасири катары чечмелейт.

Бирок “ablation жакшырды, демек физикалык механизм далилденди” деген тыянак чыгарылбашы керек. Абляция бул эки модель компоненти benchmark көрсөткүчүнө салым кошконун көрсөтөт; модель attention салмактары чыныгы материал физикасынын бардык себеп–натыйжа түзүлүшүн билдирерин далилдебейт.

Булактагы терминология эскертүүсү: ыкманын негизги аты бүт макалада Physics-Informed Attention (PIA) болгону менен 6.3-бөлүмдүн бир жеринде “Physical Interaction Attention” деп жазылган. Ошол эле бөлүм PAD үчүн “Physics-Aware Description” дегенди колдонсо, Table 5 caption-ында башка ачылыш көрүнөт. Verianla PIAны макаланын ыкма бөлүмүндөгү canonical аты менен сактайт жана башка жазылыштарды өзүнчө жаңы модуль деп эсептебейт.

Supplementary QMat-Instruct үлгүлөрү эмнени көрсөтөт?

Supplementary Figure 6–15 синтетикалык оптикалык микроскоп сүрөттөрү менен модель ортосундагы суроо–жооп үлгүлөрүн көрсөтөт. Булак output-ту үч визуалдык бөлүккө бөлөт: flake candidate enumeration, physics-informed reasoning жана structured final conclusion. Бул үлгүлөр модель жөн гана класс энбелгисин чыгарбай, адегенде талапкер аймактарды аныктап, андан соң оптикалык көрүнүш боюнча негиздеме түзүп, акырында түзүмдүү жыйынтык берүүнү көздөөрүн көрсөтөт.

Бул supplementary үлгүлөрдөгү bounding-box координаттары Verianla макаласына көчүрүлгөн эмес; анткени ар бир үлгүнүн чийки сүрөтү жана coordinate output-у окурманга негизги илимий жыйынтыкты түшүнүү үчүн зарыл эмес жана булак сүрөттөрүн кайра жарыялоонун ордуна ыкманын логикасын түшүндүрүү коопсузураак.

QF-Bench толугу менен жарыяланганбы?

Supplementary material маалымат көлөмүнө байланыштуу QF-Benchтин ошол версиясында болгону 50 үлгүсү жарыяланганын билдирет. Release түзүлүшү COCO JSON форматында жана `images`, `annotations`, `categories` сыяктуу жогорку деңгээлдеги талааларды колдонот. Ар бир flake үчүн bounding-box аннотациясы бар.

QuPAINT Жыйынтыктары Кантип Чечмелениши Керек?

QuPAINT жыйынтыктары физикага негизделген синтетикалык өндүрүш менен физика-маалыматтуу multimodal representation изилдөөнүн QF-Bench жана instruction-grounding тесттеринде күчтүү көрсөткүч бергенин көрсөтөт; бирок бул жыйынтыктар оптикалык сүрөттөн алынган божомолдор AFM, Raman же башка физикалык өлчөөлөрдү бардык шартта алмаштыра аларын, жаңы лабораторияда ошол эле AP маанилери сакталары же модель жаңы кванттык материалдарды тапканы далилденди дегенди билдирбейт.

Изилдөөнүн күчтүү жактары

Изилдөө маалымат жетишсиздиги маселесине жөн гана “чоңураак жасалма интеллект модели” менен мамиле кылбайт. Маалымат өндүрүүдө TMM негизиндеги жука катмар физикасын, white-balance ылайыкташуусун жана substrate-aware жайгаштырууну колдонуп synthetic data-нын физикалык реалдуулугун күчөтүүгө аракет кылат.

PIA full optical model-ди ар бир inference patch үчүн кайра иштетүүнү талап кылбастан CIELAB contrast-ты физикалык proxy катары колдонот. Бул ыкма толук data-driven attention менен толук туруктуу физика моделинин ортосунда гибрид түзүлүш түзөт.

Булак жалпы flake detection-ды гана эмес, контраст төмөн mono-layer detection-ды да өзүнчө карайт. Ошентип оңой класстардын орточо көрсөткүчү кыйын бир катмарлуу маселедеги каталарды жашыра албайт.

Model scaling, instruction grounding жана PAD/PIA абляциясы өзүнчө берилген. Мунун аркасында кайсы компонент канчалык салым кошкону жок дегенде benchmark деңгээлинде изилденет.

Изилдөөнүн негизги чектөөлөрү

Synthetic-to-real domain gap: Synthia физикага негизделген болсо да бардык микроскоп, камера, illumination, contamination, сынган/жарылган flake жана башка чыныгы кемчилик түрлөрүн кайра жарата албайт.

Token чеги: Өтө тыгыз сүрөттөрдө flake саны жана визуалдык token көлөмү учурдагы мультимодалдык моделдердин context/token сыйымдуулугунан ашышы мүмкүн.

Маалымат тең салмаксыздыгы: QF-Bench таблицасында Thick категориясы Mono жана Few класстарынан саны боюнча кыйла чоң. Булак бул тең салмаксыздыкты таблица менен ачык көрсөтөт, бирок бардык мүмкүн class-imbalance таасирлерин өзүнчө статистикалык талдоо менен чечпейт.

Физикалык текшерүү чеги: QuPAINTтын чыгышы оптикалык сүрөткө негизделет. Моделдин bounding box же layer чечмелөөсүн түз физикалык калыңдык өлчөөсү катары кабыл алуу туура эмес.

Статистикалык отчеттуулук: Булак AP, Acc@50 жана Acc@75 сыяктуу benchmark метрикаларын берет; негизги көрсөткүч таблицаларында confidence interval, p-value же run-to-run standard deviation берилбейт. Ошондуктан Verianla жыйынтыктарга булакта жок статистикалык маанилүүлүк дооматын кошпойт.

Категория аныктамасы: QF-Bench негизги текстиндеги “Few = 2–5” жана “Thick = 5+” чек аралары 5 катмарда кабатташат жана булак бул PDF ичинде бул чекти ачык чечпейт.

Изилдөө колдогон жыйынтыктар

Булакта Synthia TMM, CIE түс өзгөртүү, white-balance correction жана substrate-aware placement компоненттерин бириктирген physics-based synthetic generation ыкмасын берери ачык көрсөтүлгөн.

QMat-Instruct сегиз материал боюнча жалпы 400.000 physics-aware multimodal training sample жараткандыгы билдирилет.

PIA CIELAB \(\Delta E\) негизиндеги контраст скорун үйрөнүлүүчү affine calibration аркылуу visual embeddings-ге колдонору ыкма теңдемелери менен көрсөтүлөт.

QuPAINT варианттары булак Table 4тө салыштырылган detector-лорго караганда жогорураак жалпы жана mono-layer AP маанилерин бергендиги билдирилет.

PAD жана PIAны бирге колдонуу абляция таблицасында эки компонент өзүнчө колдонулган конфигурациялардан жогору AP маанилерин берет.

Изилдөө колдобогон жалпылоолор

Изилдөө кванттык компьютер же кванттык алгоритм менен сүрөт талдоосун жүргүзбөйт.

Изилдөө модель оптикалык сүрөттөн атомдук катмар санын бардык материалдарда жана бардык микроскоп шарттарында катасыз аныктай турганын көрсөтпөйт.

Изилдөө AFM же башка көз карандысыз материал мүнөздөө ыкмалары эми керексиз экенин көрсөтпөйт.

Изилдөө Table 4төгү AP маанилери ар башка лабораторияларда ошол бойдон каларына кепилдик бербейт.

Изилдөө physics-informed attention бүт физикалык механизмди чындап үйрөнгөнүн далилдебейт; benchmark көрсөткүчүнө кошкон салымын көрсөтөт.

Изилдөө жаңы кванттык материал синтездегенин же жаңы физикалык фаза тапканын билдирбейт.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска аталыш: QuPAINT: Physics-Aware Instruction Tuning Approach to Quantum Material Discovery

Авторлор: Xuan-Bac Nguyen, Hoang-Quan Nguyen, Sankalp Pandey, Tim Faltermeier, Nicholas Borys, Hugh Churchill, Khoa Luu.

Авторлордун тартиби: Булакта берилгендей сакталды.

Тең салым: Жүктөлгөн PDFте тең салым/тең биринчи автор боюнча билдирүү ачык белгиленген эмес.

Corresponding author: Жүктөлгөн PDF бир нече e-mail дарегин берет, бирок бир corresponding author-ду жылдызча же өзүнчө түшүндүрмө менен так белгилебейт; ошондуктан жооп ойлоп табылган эмес.

Мекеме 1: CVIU Lab, University of Arkansas, USA.

Мекеме 2: University of Utah, USA.

Мекеме 3: Department of Physics, University of Arkansas, USA.

Жүктөлгөн булак түрү: arXiv preprint, v1.

arXiv: arXiv:2602.17478v1 [cs.CV].

arXiv биринчи тапшыруу датасы: 19 Февраль 2026.

arXiv-issued DOI: 10.48550/arXiv.2602.17478.

Учурдагы жарыялоо статусу: Изилдөө кийин IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Findings 2026 proceedings ичинде рецензияланган конференциялык макала катары жарыяланган.

CVPR жарыялоо жылы: 2026.

CVPR жарыялоо айы: Июнь 2026.

Proceedings барак аралыгы: 8684–8694.

CVPR proceedings DOI: Ишенимдүү расмий жазууда тастыкталбагандыктан берилген эмес.

Расмий CVF жарыялоо барагы: https://openaccess.thecvf.com/content/CVPR2026F/html/Nguyen_QuPAINT_Physics-Aware_Instruction_Tuning_Approach_to_Quantum_Material_Discovery_CVPRF_2026_paper.html

Долбоор барагы: https://uark-cviu.github.io/projects/qupaint/

Рецензия статусу: Жүктөлгөн arXiv v1 өзү preprint; изилдөө кийин CVPR 2026 Findings ичинде жарыялангандыктан учурдагы эмгек статусу рецензияланган конференциялык жарыялоо.

Илимий тармак: Computer vision, multimodal machine learning, two-dimensional quantum materials жана optical microscopy.

Изилдөө түрү: Physics-informed machine-learning ыкмасын иштеп чыгуу + синтетикалык маалымат өндүрүү + чыныгы/синтетикалык микроскопия маалымат benchmark баалоосу.

Кванттык компьютер колдонуу: Жок. “Quantum” изилденген материал классын билдирет.

Synthia: Transfer Matrix Method негизиндеги thin-film interference simulation, CIE 1931 color conversion, personalized white-balance correction жана substrate-aware synthetic placement колдонот.

QMat-Instruct: Булакта тармактагы биринчи чоң масштабдуу physics-aware instruction dataset катары берилет. Сегиз материал үчүн ар бирине 50.000 sample, жалпы 400.000 sample билдирилет.

QuPAINT: Vision Transformer визуалдык embedding-дерин Physics-Informed Attention скорлору менен калибрлеп, текст embedding-дери менен MLLM decoder ичинде бириктирген мультимодалдык алкак.

PIA: CIELAB мейкиндигинде flake/patch median түсү менен substrate median түсүнүн ортосундагы \(\Delta E\) аралыкты physics-aware proxy катары колдонот.

QF-Bench: Булак Table 2де сегиз материалда 280.526 аннотацияланган flake билдирет.

QF-Bench release статусу: Supplementary material маалымат көлөмүнө байланыштуу ошол версияда 50 үлгү жарыяланганын жана формат COCO JSON экенин билдирет.

Окутуу сүрөт өлчөмү: 448×448.

Patch: Бири-бирин жаппаган 14×14 patch-тер.

Vision implementation: InternViT.

Text encoder initialization: Qwen3.

Optimizer: AdamW.

Learning rate: \(2\times10^{-5}\).

Weight decay: \(1\times10^{-4}\).

Batch size: 4.

Epoch: 2.

Окутуу жабдыгы: 16 A100 GPU.

Data augmentation: Random cropping, horizontal flipping жана CIELAB color jitter.

Inference temperature: \(T=0.2\).

Эң жогорку Table 4 жалпы detection жыйынтыгы: QuPAINT-8B үчүн 45,6 AP, 60,5 AP50 жана 47,9 AP75.

Эң жогорку Table 4 mono detection жыйынтыгы: QuPAINT-8B үчүн 37,3 AP, 52,8 AP50 жана 39,9 AP75.

Instruction grounding: QuPAINT-2B үчүн Acc@50 = 51,4 жана Acc@75 = 39,5.

Абляция: PAD + PIA бирге 34,1 AP, 50,2 AP50 жана 38,0 AP75 берет.

Булактагы YOLO дал келбестиги: Table 4 YOLOv11-x жана 29,6/19,8 AP маанилерин берсе, негизги жыйынтык текстинин айрым сүйлөмдөрүндө YOLOv8-x жана 28,3/19,0 маанилери кездешет. Verianla таблицадагы көрүнгөн сандык маанилерди сактаган.

Булактагы PIA/PAD терминология дал келбестиги: Ыкманын canonical аты Physics-Informed Attention болгону менен 6.3-бөлүмдүн бир жеринде башка ачылыш колдонулган. PAD аты да текст менен caption ортосунда толук шайкеш эмес.

Булактагы layer-category чек арасы: Негизги текстте Few = 2–5 жана Thick = 5+ деп жазылгандыктан 5-layer чек арасы белгисиз. Үнсүз оңдоо жасалган эмес.

Каржылоо: Булак MonArk NSF Quantum Foundryнин National Science Foundation QAMASE-i программасынын алкагындагы NSF Award No. DMR-1906383 колдоосун билдирет.

Эсептөө инфраструктурасынын колдоосу: Arkansas High-Performance Computing Center GPU ресурстары.

Data Availability: PDFте өзүнчө formal Data Availability бөлүмү жок; supplementary material QF-Benchтен 50 үлгү COCO JSON форматында жарыяланганын билдирет.

Code Availability: Жүктөлгөн PDFте өзүнчө formal Code Availability statement жок; долбоор URL берилген.

Кызыкчылыктардын кагылышы: Жүктөлгөн PDFте өзүнчө conflict-of-interest / competing-interest statement аныкталган эмес; ошондуктан “кызыкчылыктардын кагылышы жок” деген божомол жасалган эмес.

Автордук салымдар: Жүктөлгөн PDFте өзүнчө CRediT же author-contribution statement аныкталган эмес.

Лицензия: Жүктөлгөн PDF жана текшерилген CVF landing page ичинде Verianla үчүн фигураны түз кайра колдонууга ишенимдүү негиз боло турган ачык Creative Commons лицензиясы ырасталган эмес. Ачык жеткиликтүүлүк автоматтык түрдө чексиз кайра колдонууга уруксат деп кабыл алынган эмес.

Негизги түшүндүрмө чеги: Изилдөө оптикалык микроскоп сүрөттөрүндө physics-aware AI мүнөздөөсүнүн benchmark көрсөткүчүн көрсөтөт; көз карандысыз физикалык калыңдык өлчөө ыкмаларын шартсыз алмаштыруу, бардык лабораторияларга ошол эле натыйжа менен жалпылоо же жаңы кванттык материал табылганын далилдөө эмес.


Бөлүшүү:

Пикирлер текшерилгенден кийин жарыяланат. Пикириңиз жактыруу процессине жөнөтүлүп, ылайыктуу деп табылганда көрүнөт.

Пикир калтырыңыз

E-mail дарегиңиз жарыяланбайт. Милдеттүү талаалар * менен белгиленген