Akademik tadqiqotlar, tushunarli til

Verianla | O‘zbekcha akademik tadqiqotlar va ilm-fan

17 Noyabr 2026, Seshanba
VERİANLA Mustaqil ilmiy nashriyot
Menyuni ochish yoki yopish
...
Bosh sahifa / Fizik fanlar / Materialshunoslik / QuPAINT: Kvant Materiallarini Kashf Etish uchun Fizikadan Xabardor Ko‘rsatmalarni Sozlash Yondashuvi
Materialshunoslik

QuPAINT: Kvant Materiallarini Kashf Etish uchun Fizikadan Xabardor Ko‘rsatmalarni Sozlash Yondashuvi

QuPAINT (Physics-Aware Instruction Tuning) — ikki o‘lchamli kvant materiallarining optik mikroskop tasvirlarini fizik optika priorlari va multimodal sun’iy intellektdan birgalikda foydalanib tavsiflashga qaratilgan multimodal model doirasidir.

13/11/2026  Veri Anla  288 marta ko‘rildi
QuPAINT: Kvant Materiallarini Kashf Etish uchun Fizikadan Xabardor Ko‘rsatmalarni Sozlash Yondashuvi

QuPAINT (Physics-Aware Instruction Tuning), ikki o‘lchamli kvant materiallarining optik mikroskop tasvirlarini fizik optika priorlari bilan multimodal sun’iy intellektni birgalikda qo‘llab tavsiflashni maqsad qilgan multimodal model doirasidir. Tadqiqot o‘zaro bog‘langan to‘rtta komponentni quradi: Synthia, yupqa qatlam interferensiyasini Transfer Matrix Method (TMM) bilan modellashtirib, fizik jihatdan asoslangan sintetik flake tasvirlarini hosil qiladi; QMat-Instruct, bu tasvirlarni fizika-bilimli savol–javob juftlari bilan birlashtiradi; Physics-Informed Attention (PIA), mikroskop tasviridagi flake–substrat rang kontrastini CIELAB fazosida o‘lchab, vizual tokenlarni fizik nuqtai nazardan qayta vaznlantiradi; QF-Bench esa modelni turli ikki o‘lchamli materiallar va tasvirlash sharoitlarida baholash uchun annotatsiyalangan benchmark taqdim etadi.

Bu yerda “kvant materiali” iborasi usul kvant kompyuterida ishlaydi degani emas. Qo‘llanilgan o‘rganish arxitekturasi klassik sun’iy intellekt va kompyuter ko‘rishi modelidir. “Kvant” xususiyati grafen, MoS2, WTe2, h-BN va shunga o‘xshash atom darajasida yupqa materiallarning elektron, optik va kvant xossalari qatlam soniga kuchli bog‘liq bo‘lishidan kelib chiqadi. Tadqiqotning maqsadi yangi kvant zarrachasi yoki yangi materialni sintez qilish emas; mavjud ikki o‘lchamli flake-larni optik mikroskop tasvirlaridan ishonchliroq topish, joylashtirish va qatlam sinflari bilan bog‘lashdir.

Manba haqiqiy laboratoriya ish oqimidagi asosiy muammoni quyidagicha ta’riflaydi: optik mikroskopiya ko‘p sonli flake-larni tez tasvirlash imkonini beradi, biroq qalinlikni bevosita va aniq bermaydi; Atomic Force Microscopy (AFM) esa nanometr miqyosida qalinlik o‘lchovini bera oladi, ammo sekin, fizik namunani ko‘chirishni talab qiladi va katta ma’lumot yig‘ishda masshtablash qiyin. Bundan tashqari, mono-, bi- va bir necha qatlamli flake-lar o‘rtasidagi vizual kontrast farqlari yoritish, kamera, substrat qalinligi va oq balansdan keladigan o‘zgarishlardan kichikroq bo‘lishi mumkin. Shu sababli faqat RGB ko‘rinishiga tayangan umumiy obyekt aniqlash modellari turli laboratoriyalarga ko‘chirilganda qiynalishi mumkin.

QMat-Instruct o‘quv ma’lumotlari sakkiz material uchun har bir materialga 50.000 tadan, jami 400.000 namunani o‘z ichiga oladi. Manba haqiqiy va fizika asosidagi sintetik tasvirlardan birgalikda foydalanadi. O‘qitishda mikroskop tasvirlari 448×448 o‘lchamga keltiriladi va ustma-ust tushmaydigan 14×14 patch-larga ajratiladi. Vizual tomon InternViT implementatsiyasidan foydalanadi; text encoder Qwen3 dan boshlanadi. AdamW optimizer, \(2\times10^{-5}\) learning rate, \(1\times10^{-4}\) weight decay, batch size 4 va 2 epoch ishlatilgan; o‘qitish 16 A100 GPU da bajarilgan.

QF-Bench jadvalida BN, Graphene, MoS2, MoSe2, MoWSe2, WS2, WSe2 va WTe2 kabi sakkiz material bo‘yicha jami 280.526 flake annotatsiyasi qayd etilgan. Ularning 2.546 tasi Mono, 3.417 tasi Few va 274.563 tasi Thick toifasidadir. Bu taqsimot yupqa, ayniqsa bir qatlamli flake sinflari benchmark ichida ancha kam ifodalanganini ochiq ko‘rsatadi.

Instruction grounding baholashida QuPAINT-2B Acc@50 = 51,4 va Acc@75 = 39,5 natijalariga erishib, shu jadvaldagi InternVL-2B va Qwen3VL-2B modellaridan yuqori natija ko‘rsatgan. Umumiy flake aniqlashda QuPAINT-8B 45,6 AP, 60,5 AP50 va 47,9 AP75; mono-layer aniqlashda esa 37,3 AP, 52,8 AP50 va 39,9 AP75 ko‘rsatkichlarini bildiradi. Bu raqamlar tadqiqotning QF-Bench baholashiga tegishli; boshqa mikroskoplar, substratlar yoki tasdiqlanmagan material tizimlarida ayni natija kafolatlanadi degani emas.

Tadqiqot yana ikkita asosiy cheklovni ko‘rsatadi. Synthia haqiqiy mikroskoplarda uchraydigan barcha flake nuqsonlari va tasvirlash xilma-xilligini qayta yarata olmagani sababli yangi laboratoriyalarda domain gap qolishi mumkin. QuPAINT-ning ikkinchi asosiy cheklovi multimodal modelning maksimal token uzunligidir; juda zich flake-lar bo‘lgan tasvirlar haddan tashqari ko‘p vizual token hosil qilsa, model butun sahnani qayta ishlashda qiynalishi mumkin.

QuPAINT Kvant Kompyuteridan Foydalanadimi?

Yo‘q. QuPAINT klassik GPU-larda o‘qitiladigan kompyuter ko‘rishi va multimodal katta til modeli doirasidir; “quantum” so‘zi hisoblash apparatini emas, tahlil qilinayotgan ikki o‘lchamli kvant materiallarini anglatadi. Fizik optika modeli TMM bilan yupqa qatlam interferensiyasini hisoblaydi, PIA optik kontrastni vizual attention prioriga aylantiradi va multimodal model bu ma’lumotni tasvir hamda matn bilan birga qayta ishlaydi.

Ikki o‘lchamli kvant materiallarida qatlam soni nega bu qadar muhim?

Atom darajasida yupqa ikki o‘lchamli materiallarda atigi bir necha atom qatlamining qo‘shilishi yoki olib tashlanishi elektron zona tuzilishini, optik javobni va boshqa kvant xossalarini o‘zgartirishi mumkin. Shu sababli flake faqat “bor yoki yo‘q” ekanini topish yetarli emas; uning monolayer, bilayer yoki qalinroq hudud ekanligi ham ilmiy jihatdan muhim.

Manba misol sifatida graphene, MoS2 va WTe2 kabi tizimlarni keltiradi. Biroq tadqiqotning o‘zi bu materiallarning elektron zona tuzilmalarini hisoblamaydi. Tadqiqotning bevosita vazifasi qatlam soni bilan bog‘liq optik kontrastni tasvirni qayta ishlash va multimodal o‘rganishda foydalanish mumkin bo‘lgan shaklga keltirishdir.

Optik mikroskop bilan AFM o‘rtasidagi farq

UsulAfzallikCheklovTadqiqotdagi roli
Optik mikroskopiyaMinglab flake-larni tez tasvirlay oladi.Qatlam qalinligini o‘zi aniq bermaydi; rang yoritish va substratdan ta’sirlanadi.QuPAINT-ning asosiy tasvir kirishini tashkil qiladi.
Atomic Force Microscopy (AFM)Nanometr miqyosida fizik qalinlik o‘lchovini beradi.Sekin; flake-ni qayta topish, namunani ko‘chirish va birma-bir o‘lchash talab etiladi.Optik ko‘rinishdan avtomatik bashorat ehtiyojining motivatsiyasini yaratadi.

QuPAINT-ning maqsadi AFM ning fizik o‘lchash qobiliyatini yo‘q qilganini isbotlash emas. Model optik tasvirdan nomzod flake va qatlam sinfini chiqaradi. Kritik fizik xarakterizatsiya talab qilinadigan tajribalarda AFM, Raman spektroskopiyasi yoki boshqa mustaqil o‘lchash usullari endi keraksiz bo‘ladi degan xulosani bu tadqiqot qo‘llab-quvvatlamaydi.

QuPAINT ma’lumot va model zanjirining mustaqil qayta qurilishi. Synthia fizika asosidagi sintetik tasvir yaratadi; QMat-Instruct tasvirlarni fizika-bilimli ko‘rsatmalar bilan bog‘laydi; PIA vizual tokenlarni optik kontrast priori bilan vaznlantiradi; QuPAINT multimodal chiqish hosil qiladi va ishlash QF-Bench da baholanadi. Sxema masshtabsiz va manba figurasining piksel nusxasi emas.

Synthia Ikki O‘lchamli Kvant Material Tasvirlarini Qanday Hosil Qiladi?

Synthia haqiqiy mikroskop fonlariga joylashtiriladigan sintetik ikki o‘lchamli flake-larning ranglarini tasodifiy tanlash o‘rniga, havo–flake–SiO2–Si qatlam tizimining yupqa qatlam interferensiyasini Transfer Matrix Method yordamida hisoblaydigan, natijani CIE rang fazosiga o‘tkazadigan va keyin haqiqiy tasvirning oq balansi hamda toza substrat hududlariga moslashtiradigan fizika asosidagi sintetik ma’lumot ishlab chiqarish doirasidir.

Transfer Matrix Method nega kerak?

Ikki o‘lchamli flake optik mikroskopda faqat o‘zining “tabiiy rangi” sababli ko‘rinmaydi. Flake, SiO2 va Si kabi qatlamlar chegaralarida yorug‘lik qayta-qayta aks etadi va uzatiladi. Turli optik yo‘llar orasidagi faza farqi ayrim to‘lqin uzunliklarini kuchaytirib, boshqalarini susaytirishi mumkin. Bu hodisa yupqa qatlam interferensiyasidir.

Synthia har bir qatlamni kompleks sindirish ko‘rsatkichi:

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

va fizik qalinlik \(d_l\) bilan ta’riflaydi. \(n_l\) sindirish ko‘rsatkichining haqiqiy qismini, \(k_l\) yutilish bilan bog‘liq so‘nish qismini, \(\lambda\) yorug‘lik to‘lqin uzunligini bildiradi. Sindirish ko‘rsatkichlari o‘lchovsiz; \(\lambda\) va \(d_l\) bir xil uzunlik birligida olinishi kerak.

Tenglama (1): Qatlam chegarasidagi Fresnel koeffitsiyentlari

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

\(r_{l,l+1}\), \(l\)-qatlamdan \(l+1\)-qatlamga o‘tishda aks etish amplitudasi koeffitsiyentini; \(t_{l,l+1}\), uzatish amplitudasi koeffitsiyentini ifodalaydi. Bular bevosita yorug‘lik intensivligi emas; elektr maydon amplitudalari orasidagi nisbatlar va o‘lchovsizdir.

Qatlam ichida yorug‘lik tarqalishi faza kechikishini hosil qiladi. Manba bu bog‘lanishni:

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

shaklida ishlatadi va har qatlamdagi tarqalishni \(P_l\) propagation matrix bilan ifodalaydi. Fizik ma’no aniq: bir xil qalinlikda kattaroq sindirish ko‘rsatkichi optik yo‘lni oshiradi; bir xil materialda kattaroq to‘lqin uzunligi esa birlik qalinlikka to‘g‘ri keladigan faza yig‘ilishini kamaytiradi.

Tenglama (2): Barcha qatlamlarning transfer-matrix zanjiri

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

\(u_0=1\), kiruvchi elektr maydon amplitudasining normallashtirilishidir. \(v\), umumiy aks etgan maydon amplitudasi; \(u\), substratga uzatilgan maydon amplitudasidir. \(M_{l,l+1}\), interfeys transfer matrix-ni; \(P_l\), \(l\)-qatlamdagi propagation matrix-ni ifodalaydi.

Aks etish:

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

bilan hisoblanadi. \(R(\lambda)\) o‘lchovsiz intensivlik nisbati bo‘lib, yorug‘lik to‘lqin uzunligiga bog‘liq.

Manba sintetik flake ishlab chiqarishda ko‘rinadigan spektrni:

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

oralig‘ida \(D\) diskret to‘lqin uzunligida namunalaydi.

Tenglama (3): Aks etish spektri RGB rangiga qanday aylanadi?

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

\(\mathbf{S}(\lambda)\in\mathbb{R}^{3\times1}\), CIE 1931 rang moslashtirish funksiyalarining uch rang komponentini; \(I(\lambda)\), standart yoritgich spektrini; \(R(\lambda)\), hisoblangan reflectance qiymatini ifodalaydi. Natija \(\mathbf{x}\), RGB rang komponentlari bilan bog‘langan uch komponentli rang vektoridir.

Manba shu ifodani matrix shaklida:

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

deb ham yozadi. \(\circ\), element-wise product, ya’ni bir xil to‘lqin uzunligidagi yoritish va aks etish qiymatlarining elementlar bo‘yicha ko‘paytmasidir.

Optik model Python dagi tmm paketi bilan amalga oshirilgan. Synthia, masalan graphene, MoS2, WSe2 va h-BN uchun to‘lqin uzunligiga bog‘liq \(n(\lambda)\) va \(k(\lambda)\) funksiyalaridan foydalanib turli qalinliklardagi reflectance spektrlarini hisoblaydi.

Synthia avvalgi sintetik ishlab chiqarishga qo‘shgan komponentlar

XususiyatMaskTerialSynthia
Bir nechta material manbasidan flake shakllariBorBor
Fizika asosidagi optik simulyatsiya (TMM)BorBor
Shaxsiylashtirilgan rang kalibrlashiYo‘qBor
CIE standartidan foydalanishYo‘qBor
Mavjud flake-lar bilan ustma-ust tushishni oldini olishYo‘qBor

White-Balance-Aware moduli nega kerak?

Haqiqiy mikroskop tasvirlarida foydalanuvchi yoki qurilma RGB kanallariga turli gain qiymatlarini qo‘llashi mumkin. Bir xil material va substrat ham turli laboratoriyalarda turli ranglarda ko‘rinishi mumkin. Synthia bu farqni fizik modeldan voz kechish bilan emas, fizik model hosil qilgan rangga haqiqiy referens tasvirdan chiqarilgan kanal kuchaytirishlarini qo‘llash orqali hisobga oladi.

Substrate-Aware modul nega kerak?

Sintetik flake tasodifiy pikselga joylashtirilsa, haqiqiy flake-lar, iflosliklar yoki boshqa tuzilmalar ustiga tushishi mumkin. Bu fizik jihatdan real bo‘lmagan compositing artefact-larni hosil qilishi mumkin. Synthia PIA asosidagi attention xaritasidan attention past bo‘lgan toza substrat hududlarini tanlab, sintetik flake-ni faqat yaroqli joylarga qo‘yishni maqsad qiladi.

Synthia Algorithm 1 amallar ketma-ketligi

BosqichAmalMaqsad
1Referens substratning median rangi olinadi.Haqiqiy tasvir rang kalibrlashini ifodalash.
2Havo–SiO2–Si substratining TMM reflectance spektri hisoblanadi.Fizik model kutgan substrat rangini topish.
3CIE proyeksiyasi bilan fizik substrat rangi hisoblanadi.Spektrni tasvir rang fazosiga o‘tkazish.
4Haqiqiy va model substrat ranglari orasidan kanal asosidagi gain \(g\) olinadi.White-balance farqini modellashtirish.
5PIA xaritasi tuziladi va normallashtiriladi.Toza substrat hududlarini aniqlash.
690. percentil chegarasi bo‘yicha substrat maskasi olinadi.Yuqori kontrastli mavjud flake/tekstura hududlarini chiqarib tashlash.
7Random flake mask va materialga mos thickness namunalab olinadi.Sintetik flake geometriyasi va fizik qalinligini tanlash.
8Mavjud tuzilmalar bilan ustma-ust tushmaydigan koordinata tanlanadi.Fizik jihatdan ma’nosiz overlap-ni oldini olish.
9Havo–flake–SiO2–Si steki uchun reflectance hisoblanadi.Qatlam soniga bog‘liq optik ko‘rinishni hosil qilish.
10Reflectance CIE orqali rangga aylantiriladi va white-balance gain qo‘llanadi.Haqiqiy mikroskop tasviriga mosroq rang hosil qilish.
11Sintetik flake haqiqiy substrat hududiga maska bilan kompozit qilinadi.Yakuniy sintetik mikroskop tasvirini yaratish.

QMat-Instruct nima?

QMat-Instruct mualliflar kvant materiallarini tavsiflash uchun ishlab chiqqan multimodal physics-aware instruction ma’lumotlar to‘plamidir. Har bir namuna faqat mikroskop tasviri yoki bounding box yorlig‘i emas; tasvirga bog‘langan tabiiy til savoli va fizik ko‘rinishni tushuntiruvchi javobni o‘z ichiga oladi.

Manba namunaviy vazifalarni uch asosiy sinfda beradi: flake sanash, flake joylashtirish va muayyan qatlam sinfi mavjudligini tekshirish. Izohlarda kontrast, rang siljishi va chekka shaffofligi kabi yupqa qatlam interferensiyasi bilan bog‘liq vizual belgilar mavjud.

Manba o‘quv to‘plamida sakkiz materialdan foydalanadi:

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

Har bir material uchun 50.000 sample yaratilgani va jami o‘quv namunasi:

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

ekanligi manbada aniq ko‘rsatilgan.

Physics-Informed Attention (PIA) Nimani O‘lchaydi?

Physics-Informed Attention (PIA) har bir tasvir patch-ining CIELAB rang fazosidagi median rangi bilan tasvirning median substrat rangi orasidagi Evklid masofasini hisoblab, flake–substrat optik kontrastini ifodalovchi attention priori hosil qiladi; QuPAINT bu fizika asosidagi skorni o‘rganiladigan affine tuzatishdan o‘tkazib, vizual tokenlarni vaznlash uchun ishlatadi.

Vision encoder: Tenglama (4)

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

\(I\in\mathbb{R}^{H\times W\times C}\), mikroskop tasviridir. \(H\) tasvir balandligi, \(W\) kengligi, \(C\) kanal soni. \(Enc_v\) vision encoder; \(v_i\), \(i\)-patch uchun \(d\)-o‘lchamli vizual embedding; \(k\), jami patch/token sonidir.

PIA har bir patch uchun:

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

physics-based contrast score hosil qiladi.

Nega fizik skor bevosita ishlatilmaydi?

Sof fizik model laboratoriyaning haqiqiy kamera spectral response-i, white-balance tanlovlari va barcha illumination farqlarini to‘liq bilmasligi mumkin. Shu sababli QuPAINT fizik priorni qotirib qo‘yish o‘rniga faqat scale va bias-ni o‘rganadigan kichik kalibrlash qo‘shadi.

Tenglama (5): O‘rganiladigan PIA tuzatishi

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

\(\sigma\), logistic sigmoid funksiyasidir. \(\alpha_i\), xom fizika asosidagi attention score; \(w\) va \(b\), o‘qitish davomida o‘rganiladigan bir o‘lchamli scale va siljitish parametrlaridir. \(\beta_i\), vizual token ustida qo‘llanadigan tuzatilgan attention vaznidir.

Tenglama (6): Vizual tokenlarni fizik vaznlash

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

\(\beta_i\) kichik bo‘lsa tegishli patch embedding-ning modelga hissasi bostiriladi; katta bo‘lsa vizual token kuchliroq uzatiladi. Biroq bu fizik jihatdan “bu patch aniq flake” degani emas. \(\beta_i\), multimodal model ichida ishlatiladigan attention vaznidir.

Tenglama (7): Matn encoder

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

\(T=\{T_1,\ldots,T_L\}\), foydalanuvchi ko‘rsatmasi yoki fizika-bilimli savol ketma-ketligidir. \(Enc_t\), text encoder; \(t_j\), har bir matn tokenining embedding-idir.

Tenglama (8): Multimodal chiqish

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

Fizik vaznlangan vizual tokenlar va matn tokenlari multimodal decoder-ga beriladi. \(Y\), model yaratgan javob tokenlari ketma-ketligi; \(M\), chiqish uzunligidir.

Tenglama (9): Autoregressive til-modeli yo‘qotishi

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

Bu loss to‘g‘ri keyingi tokenga beriladigan ehtimolni oshirishga intiladi. \(y_{

PIA uchun alohida mustaqil bevosita supervision loss qo‘llanmaydi. \(w\) va \(b\), til-modeli loss dan keladigan backpropagation orqali bilvosita optimallashtiriladi. Shunday qilib fizik attention to‘liq erkin neural attention-ga aylantirilmasdan kichik o‘rganiladigan kalibrlashga ega bo‘ladi.

CIELAB nega RGB o‘rniga ishlatiladi?

RGB qiymatlari kamera spectral response-i, exposure va white-balance jarayonlaridan bevosita ta’sirlanishi mumkin. CIELAB esa luminance \(L^\ast\) bilan ikkita chromatic coordinate bo‘lgan \(a^\ast\) va \(b^\ast\)-ni ajratadigan perceptual rang fazosidir. Manba flake va substrat orasidagi CIELAB masofasini thin-film interference dan keladigan reflectance farqiga chidamliroq image-space proxy sifatida ishlatadi.

Tenglama (10): CIELAB perceptual contrast

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

\(\Phi\), RGB dan CIELAB ga nonlinear o‘zgartirish; \(I(x)\), tekshirilayotgan pixel/patch rangi; \(I_{bg}\), substrat fon rangi; \(\|\cdot\|_2\), Evklid normasidir.

\(\Delta E\) fizik uzunlik, energiya yoki elektr maydon birligiga ega emas. U CIELAB koordinatalari orasidagi perceptual rang farqini ifodalovchi o‘lchovsiz contrast skoridir.

Tenglama (11): Patch-level PIA skori

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

\(\hat I_k\), \(k\)-patch ning median rangi. \(I_{bg}\), butun tasvir yoki tanlangan region-of-interest ichidagi median fon rangidir.

PIA ning ilmiy rolining mustaqil qayta qurilishi. CIELAB kontrasti fizik reflectance farqining tasvir-fazosi proxy-si sifatida ishlatiladi; kichik o‘rganiladigan affine kalibrlash ushbu fizik priorni ma’lumotlar to‘plamining haqiqiy tasvirlash sharoitlariga moslashtirishga harakat qiladi.

Qo‘shimcha material: ΔE bilan optik reflectance orasidagi birinchi tartibli bog‘lanish

Supplementary material CIELAB contrast ning fizik optika modeli bilan bog‘lanishini first-order Taylor approximation orqali tushuntiradi. Flake ning substratga nisbatan spectral reflectance farqi:

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

deb ta’riflanadi. Mono- va few-layer flakes uchun \(\|\Delta R\|_\infty\) kichik degan faraz ostida RGB→LAB o‘zgartirish substrat rangi atrofida chiziqlashtiriladi:

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

\(J_\Phi(I_{bg})\), RGB→LAB o‘zgartirishning \(I_{bg}\) nuqtasidagi Jacobian matrix idir. \(E(\lambda)\), illumination spectrum; \(S(\lambda)\), kamera/rang matching spectral response; \(\Delta R(\lambda)\), flake ning substratga nisbatan reflectance farqidir.

Manba keyin ma’lum musbat \(c\) doimiysi uchun:

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

munosabatini beradi.

Bu isbotning talqin chegarasi muhim: manba \(\Delta E\) ni qatlam soniga nisbatan mahalliy monotonic proxy sifatida asoslaydi. Bu barcha materiallar, barcha thickness oraliqlari va barcha optik konfiguratsiyalarda global bir qiymatli “ΔE → qatlam soni” o‘zgartirishi isbotlangan degani emas.

Supplementary White-Balance tenglamalari

Haqiqiy referens substratning kanal bo‘yicha o‘rtacha rangi:

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

Bu yerda \(M_{sub}\), toza substrat piksellarini tanlaydigan binary maskadir.

Fizik modeldan hisoblangan white-balance dan oldingi substrat rangi:

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

Manba diagonal channel-gain yondashuvi bilan:

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

ifodasini beradi. \(\oslash\), element-wise division dir.

Bu gain sintetik tasvirning har bir RGB kanaliga:

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

ko‘rinishida qo‘llanadi va natija \([0,1]\) oralig‘iga clip qilinadi.

Supplementary Substrate-Aware joylashtirish tenglamalari

LAB attention xaritasi:

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

hosil qilingach:

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

bilan normallashtiriladi.

Toza substrat maskasi:

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

deb ta’riflanadi. Yuqori-attention hududlar flake yoki yuqori teksturali soha deb olinib, chiqarib tashlanadi.

Sintetik flake maskasi \(M_i\), tanlangan koordinatada toza substrat bilan mos bo‘lishi kerak:

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

\(\odot\), element-wise multiplication dir. Natijaning nol bo‘lishi sintetik flake maskasi mavjud taqiqlangan hudud bilan kesishmasligi kerakligini bildiradi.

Tanlangan material \(s\), layer stack \(S=\{\mathrm{air},s,\mathrm{SiO_2},\mathrm{Si}\}\) va thickness \(t_i\) uchun:

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

reflectance spectrum hisoblanadi.

Bu spectrum CIE rang proyeksiyasi orqali:

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

RGB rangiga aylantiriladi.

Yakuniy compositing:

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

bilan bajariladi. \(M_i=1\) bo‘lgan flake piksellarida sintetik rang ishlatiladi; \(M_i=0\) bo‘lgan piksellarda haqiqiy substrat tasviri saqlanadi.

Tadqiqot Usuli va Natijalari

QF-Bench Nimani O‘lchaydi va Nega Muhim?

QF-Bench QuPAINT va boshqa modellarni turli ikki o‘lchamli materiallarda flake aniqlash va qatlam sinfiga sezgir localization natijalarini umumiy protokol bilan solishtirish uchun yaratilgan annotatsiyalangan benchmark dir; manba sakkiz materialda 280.526 flake annotatsiyasini bildiradi va model ishlashini umumiy flake, mono-layer flake va instruction-grounding vazifalarida o‘lchaydi.

Model o‘qitish va inference sozlamalari

ParametrQiymatRol
Vizual implementatsiyaInternViTVision encoder infratuzilmasi
Tasvir o‘lchami448×448Model kirishi
Patch14×14, ustma-ust tushmaydiganVision token hosil qilish
Text encoder initializationQwen3Ko‘rsatma embedding-lari
OptimizerAdamWParametr optimallashtirish
Learning rate\(2\times10^{-5}\)Optimizer qadam kattaligi
Weight decay\(1\times10^{-4}\)Regularization
Batch size4Mini-batch o‘lchami
Epoch2O‘qitish aylanishi
GPU16 × A100O‘qitish apparati
AugmentationRandom crop, horizontal flip, CIELAB color jitterIllumination va white-balance robustness
Inference temperature\(T=0.2\)Generatsiya sampling sozlamasi

QF-Bench flake taqsimoti

MaterialMonoFewThickJami
Jami2.5463.417274.563280.526
BN1311110.10010.224
Graphene1.8562.0814.2708.207
MoS2246536108.352109.134
MoSe224321.3271.383
MoWSe2935293337
WS24352.1442.192
WSe2207356.1956.437
WTe2148582141.882142.612

Manbadagi toifa chegarasi haqida izoh: asosiy matn QF-Bench uchun “mono-layer, few-layer (2–5 layers) va thick (5+ layers)” iborasini ishlatadi. Bu yozuv 5 qatlamli namunani ikkala chegaraga ham kiritgandek ko‘rinadi. Verianla buni jim turib 2–4 shakliga o‘zgartirmagan. Table 2 faqat Mono/Few/Thick hisoblarini bergani uchun 5-layer namunalar amalda qaysi toifaga kodlanganini ushbu PDF dan aniq belgilash mumkin emas.

AP, AP50 va AP75 nimani o‘lchaydi?

Manba standart object-detection metriklari AP, AP50 va AP75 dan foydalanadi. Asosiy localization o‘lchovi Intersection over Union (IoU) dir. Quyidagi IoU formulasi bu metriklarni tushuntirish uchun berilgan standart kompyuter ko‘rishi fon ma’lumotidir; tadqiqotning yangi natijasi emas:

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

\(B_{\mathrm{pred}}\), model bashorat qilgan bounding box; \(B_{\mathrm{gt}}\), ground-truth qutidir. IoU 1 ga yaqinlashgan sari ikki quti kuchliroq ustma-ust tushadi.

AP50, 0,50 IoU chegarasidagi precision–recall ishlashini; AP75, qat’iyroq 0,75 IoU chegarasidagi ishlashni ifodalaydi. AP75 yuqori bo‘lishi faqat flake taxminiy hududini topish emas, bounding box ni aniqroq joylashtirish ham yaxshi ekanini ko‘rsatadi.

Instruction grounding natijalari

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

Instruction grounding modelning faqat tabiiy tilda javob hosil qilishini emas, ko‘rsatmaga tegishli flake hududini to‘g‘ri tasvir joylashuvi bilan bog‘lay olishini ham baholaydi. Manba RefCOCO baholash protokoliga amal qilganini bildiradi.

Umumiy va mono-layer flake aniqlash

ModelUmumiy Flake DetectionMono Flake DetectionParametrFLOPs
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

Jadval bir vaqtning o‘zida ikki tendensiyani ko‘rsatadi. Birinchidan, manba benchmark ida QuPAINT variantlari taqqoslangan baseline modellardan yuqori natija beradi. Ikkinchidan, QuPAINT ichida model masshtabi 1B dan 8B gacha kattalashgan sari AP qiymatlari oshadi, parametr va FLOP xarajati ham keskin ortadi. Demak natija faqat “yaxshiroq accuracy” emas, balki kattaroq computational cost ni o‘z ichiga olgan scaling trade-off ni ham ko‘rsatadi.

Manbadagi YOLO nomlash nomuvofiqligi: Table 4 da YOLOv11-m/l/x qiymatlari ko‘rinadi. Biroq natijalar matnining ayrim gaplarida “YOLOv8-x” va Table 4 bilan mos kelmaydigan 28,3/19,0 AP qiymatlari yozilgan. Verianla miqdoriy taqqoslashda ko‘rinadigan Table 4 qiymatlarini source-of-truth sifatida yetkazgan; matndagi farqni ham alohida ko‘rinadigan qilib qoldirgan.

PAD va PIA ablyatsiyasi

PADPIAAPAP50AP75
Yo‘qYo‘q28,142,730,3
Yo‘qBor30,644,832,6
BorYo‘q31,746,533,4
BorBor34,150,238,0

Baseline tuzilma 28,1 AP bo‘lsa, faqat PIA 30,6 AP ga, faqat PAD 31,7 AP ga va ikkala komponent birga ishlatilganda 34,1 AP ga yetadi. Manba buni ikki fizika-bilimli komponentning to‘ldiruvchi ta’siri sifatida talqin qiladi.

Biroq “ablation yaxshilandi, demak fizik mexanizm isbotlandi” degan xulosa chiqarilmasligi kerak. Ablyatsiya bu ikki model komponenti benchmark ishlashiga hissa qo‘shganini ko‘rsatadi; model attention vaznlari haqiqiy material fizikasining barcha sabab–oqibat tuzilishini ifodalashini isbotlamaydi.

Manbadagi terminologiya izohi: metodning asosiy nomi butun maqola bo‘ylab Physics-Informed Attention (PIA) bo‘lsa-da, 6.3-bo‘limning bir joyida “Physical Interaction Attention” deb yozilgan. Shu bo‘lim PAD uchun “Physics-Aware Description” iborasidan foydalansa, Table 5 caption ida boshqa ochilish ko‘rinadi. Verianla PIA ni maqolaning usul bo‘limidagi canonical nomi bilan saqlaydi va boshqa yozuvlarni alohida yangi modul deb baholamaydi.

Supplementary QMat-Instruct namunalari nimani ko‘rsatadi?

Supplementary Figure 6–15 sintetik optik mikroskop tasvirlari bilan model orasidagi savol–javob namunalarini ko‘rsatadi. Manba output ni uch vizual qismga ajratadi: flake candidate enumeration, physics-informed reasoning va structured final conclusion. Bu misollar model faqat sinf yorlig‘ini chiqarish o‘rniga avval nomzod hududlarni aniqlash, so‘ng optik ko‘rinish haqida asos yaratish va oxirida tuzilgan xulosa berishni maqsad qilganini ko‘rsatadi.

Ushbu supplementary misollardagi bounding-box koordinatalari bu Verianla maqolasiga ko‘chirilmagan; chunki har bir misolning xom tasviri va coordinate output i o‘quvchi uchun asosiy ilmiy natijani tushunishda zarur emas va manba tasvirlarini qayta nashr etish o‘rniga usul mantiqini tushuntirish xavfsizroq.

QF-Bench ning hammasi e’lon qilinganmi?

Supplementary material ma’lumot hajmi sababli QF-Bench ning o‘sha versiyada faqat 50 namunasi e’lon qilinganini bildiradi. Release tuzilishi COCO JSON formatida bo‘lib, `images`, `annotations` va `categories` kabi yuqori darajadagi maydonlardan foydalanadi. Har bir flake uchun bounding-box annotatsiyasi mavjud.

QuPAINT Natijalari Qanday Talqin Qilinishi Kerak?

QuPAINT natijalari fizika asosidagi sintetik ishlab chiqarish bilan fizika-bilimli multimodal representation tadqiqotning QF-Bench va instruction-grounding testlarida kuchli ishlash berganini ko‘rsatadi; ammo bu natijalar optik tasvirdan olingan bashoratlar AFM, Raman yoki boshqa fizik o‘lchovlarni barcha sharoitlarda almashtirishini, yangi laboratoriyada ayni AP qiymatlari saqlanishini yoki model yangi kvant materiallarini kashf qilganini isbotlamaydi.

Tadqiqotning kuchli tomonlari

Tadqiqot ma’lumot tanqisligi muammosiga faqat “kattaroq sun’iy intellekt modeli” bilan yondashmaydi. Ma’lumot ishlab chiqarishda TMM asosidagi yupqa qatlam fizikasi, white-balance moslashuvi va substrate-aware joylashtirishdan foydalanib synthetic data ning fizik realligini oshirishga harakat qiladi.

PIA full optical model ni har bir inference patch da qayta ishga tushirishni talab qilmasdan CIELAB contrast ni fizik proxy sifatida ishlatadi. Bu yondashuv to‘liq data-driven attention bilan to‘liq qotirilgan fizik model orasida gibrid tuzilma yaratadi.

Manba faqat umumiy flake detection ni emas, kontrasti pastroq mono-layer detection ni ham alohida ko‘rib chiqadi. Shu tariqa oson sinflarning o‘rtacha natijasi qiyinroq bir qatlamli muammodagi xatolarni yashira olmaydi.

Model scaling, instruction grounding va PAD/PIA ablyatsiyasi alohida berilgan. Shu sababli qaysi komponent qancha hissa qo‘shganini hech bo‘lmaganda benchmark darajasida tekshirish mumkin.

Tadqiqotning asosiy cheklovlari

Synthetic-to-real domain gap: Synthia fizika asosidagi bo‘lsa ham barcha mikroskop, kamera, illumination, contamination, singan/yoriq flake va boshqa haqiqiy nuqson turlarini qayta yarata olmaydi.

Token chegarasi: Juda zich tasvirlarda flake soni va vizual token miqdori mavjud multimodal modellarning context/token sig‘imidan oshishi mumkin.

Ma’lumot nomutanosibligi: QF-Bench jadvalida Thick toifasi Mono va Few sinflaridan son jihatdan ancha katta. Manba bu nomutanosiblikni jadvalda ko‘rsatadi, biroq barcha mumkin bo‘lgan class-imbalance ta’sirlarini alohida statistik tahlil bilan hal qilmaydi.

Fizik tasdiqlash chegarasi: QuPAINT chiqishi optik tasvirga asoslanadi. Modelning bounding box yoki layer talqinini bevosita fizik qalinlik o‘lchovi sifatida qabul qilish to‘g‘ri emas.

Statistik hisobot: Manba AP, Acc@50 va Acc@75 kabi benchmark metriklarini beradi; asosiy ishlash jadvallarida confidence interval, p-value yoki run-to-run standard deviation berilmagan. Shu sababli Verianla natijalarga manbada bo‘lmagan statistik ahamiyat da’vosini qo‘shmaydi.

Toifa ta’rifi: QF-Bench asosiy matnidagi “Few = 2–5” va “Thick = 5+” chegaralari 5 qatlamda ustma-ust tushadi va manba ushbu PDF da bu chegarani ochiq hal qilmaydi.

Tadqiqot qo‘llab-quvvatlaydigan natijalar

Manba Synthia TMM, CIE rang o‘zgartirish, white-balance correction va substrate-aware placement komponentlarini birlashtiradigan physics-based synthetic generation yondashuvini taqdim etishini aniq ko‘rsatadi.

QMat-Instruct sakkiz material bo‘yicha jami 400.000 physics-aware multimodal training sample ishlab chiqargani bildiriladi.

PIA CIELAB \(\Delta E\) asosidagi kontrast skorini o‘rganiladigan affine calibration orqali visual embeddings ga qo‘llashi usul tenglamalari bilan ko‘rsatiladi.

QuPAINT variantlari manba Table 4 da taqqoslangan detector larga nisbatan yuqoriroq umumiy va mono-layer AP qiymatlari bergani bildiriladi.

PAD va PIA ni birga ishlatish ablyatsiya jadvalida ikkala komponent alohida ishlatilgan konfiguratsiyalardan yuqoriroq AP qiymatlari beradi.

Tadqiqot qo‘llab-quvvatlamaydigan umumlashtirishlar

Tadqiqot kvant kompyuteri yoki kvant algoritmidan foydalanib tasvir tahlili qilmaydi.

Tadqiqot model optik tasvirdan atom qatlamlari sonini barcha materiallar va barcha mikroskop sharoitlarida xatosiz aniqlashini ko‘rsatmaydi.

Tadqiqot AFM yoki boshqa mustaqil material xarakterizatsiya usullari endi keraksiz bo‘lganini ko‘rsatmaydi.

Tadqiqot Table 4 dagi AP qiymatlari turli laboratoriyalarda aynan saqlanishini kafolatlamaydi.

Tadqiqot physics-informed attention butun fizik mexanizmni haqiqatan o‘rganganini isbotlamaydi; benchmark ishlashiga qo‘shgan hissasini ko‘rsatadi.

Tadqiqot yangi kvant materialini sintez qilganini yoki yangi fizik fazani kashf qilganini bildirmaydi.

Manba va Usul Haqida Izoh

Asl sarlavha: QuPAINT: Physics-Aware Instruction Tuning Approach to Quantum Material Discovery

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

Mualliflar tartibi: Manbada berilgan shaklda saqlangan.

Teng hissa: Yuklangan PDF da teng hissa/teng birinchi muallif bayonoti ochiq belgilangan emas.

Corresponding author: Yuklangan PDF bir nechta e-mail manzilini beradi, ammo bitta corresponding author ni yulduzcha yoki alohida izoh bilan aniq belgilamaydi; shu sababli moslik o‘ylab topilmagan.

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

Muassasa 2: University of Utah, USA.

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

Yuklangan manba turi: arXiv preprint, v1.

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

arXiv birinchi topshirish sanasi: 19 Fevral 2026.

arXiv-issued DOI: 10.48550/arXiv.2602.17478.

Joriy nashr holati: Tadqiqot keyinchalik IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Findings 2026 proceedings da taqrizdan o‘tgan konferensiya maqolasi sifatida chop etilgan.

CVPR nashr yili: 2026.

CVPR nashr oyi: Iyun 2026.

Proceedings sahifalar oralig‘i: 8684–8694.

CVPR proceedings DOI: Ishonchli rasmiy yozuvda tasdiqlanmagani uchun berilmagan.

Rasmiy CVF nashr sahifasi: https://openaccess.thecvf.com/content/CVPR2026F/html/Nguyen_QuPAINT_Physics-Aware_Instruction_Tuning_Approach_to_Quantum_Material_Discovery_CVPRF_2026_paper.html

Loyiha sahifasi: https://uark-cviu.github.io/projects/qupaint/

Taqriz holati: Yuklangan arXiv v1 o‘zi preprint; tadqiqot keyinchalik CVPR 2026 Findings da chop etilgani sababli asarning joriy holati taqrizdan o‘tgan konferensiya nashridir.

Ilmiy soha: Computer vision, multimodal machine learning, two-dimensional quantum materials va optical microscopy.

Tadqiqot turi: Physics-informed machine-learning usul ishlab chiqish + sintetik ma’lumot ishlab chiqarish + haqiqiy/sintetik mikroskopiya ma’lumot benchmark baholashi.

Kvant kompyuteridan foydalanish: Yo‘q. “Quantum” o‘rganilayotgan material sinfini anglatadi.

Synthia: Transfer Matrix Method asosidagi thin-film interference simulation, CIE 1931 color conversion, personalized white-balance correction va substrate-aware synthetic placement dan foydalanadi.

QMat-Instruct: Manbada sohadagi birinchi katta miqyosli physics-aware instruction dataset sifatida taqdim etilgan. Sakkiz material uchun 50.000 tadan sample, jami 400.000 sample qayd etilgan.

QuPAINT: Vision Transformer vizual embedding-larini Physics-Informed Attention skorlari bilan kalibrlab, matn embedding-lari bilan MLLM decoder da birlashtiradigan multimodal doiradir.

PIA: CIELAB fazosida flake/patch median rangi bilan substrat median rangi orasidagi \(\Delta E\) masofasini physics-aware proxy sifatida ishlatadi.

QF-Bench: Manba Table 2 da sakkiz materialda 280.526 annotatsiyalangan flake qayd etadi.

QF-Bench release holati: Supplementary material ma’lumot hajmi sababli o‘sha versiyada 50 namuna e’lon qilinganini va format COCO JSON ekanini bildiradi.

O‘quv tasvir o‘lchami: 448×448.

Patch: Ustma-ust tushmaydigan 14×14 patch-lar.

Vision implementation: InternViT.

Text encoder initialization: Qwen3.

Optimizer: AdamW.

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

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

Batch size: 4.

Epoch: 2.

O‘qitish apparati: 16 A100 GPU.

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

Inference temperature: \(T=0.2\).

Eng yuqori Table 4 umumiy detection natijasi: QuPAINT-8B uchun 45,6 AP, 60,5 AP50 va 47,9 AP75.

Eng yuqori Table 4 mono detection natijasi: QuPAINT-8B uchun 37,3 AP, 52,8 AP50 va 39,9 AP75.

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

Ablyatsiya: PAD + PIA birga 34,1 AP, 50,2 AP50 va 38,0 AP75 beradi.

Manbadagi YOLO nomuvofiqligi: Table 4 YOLOv11-x va 29,6/19,8 AP qiymatlarini berar ekan, asosiy natijalar matnining ayrim gaplarida YOLOv8-x va 28,3/19,0 qiymatlari uchraydi. Verianla jadvaldagi ko‘rinadigan miqdoriy qiymatlarni saqlagan.

Manbadagi PIA/PAD terminologiya nomuvofiqligi: Usul bo‘ylab canonical nom Physics-Informed Attention bo‘lsa, 6.3-bo‘limning bir joyida boshqa ochilish ishlatilgan. PAD nomi ham matn va caption orasida to‘liq mos emas.

Manbadagi layer-category chegarasi: Asosiy matnda Few = 2–5 va Thick = 5+ shaklida yozilgani sabab 5-layer chegarasi noaniq. Jim tuzatish qilinmagan.

Moliyalashtirish: Manba MonArk NSF Quantum Foundry ning National Science Foundation QAMASE-i dasturi doirasidagi NSF Award No. DMR-1906383 ko‘magini bildiradi.

Hisoblash infratuzilmasi ko‘magi: Arkansas High-Performance Computing Center GPU resurslari.

Data Availability: PDF da alohida formal Data Availability sarlavhasi yo‘q; supplementary material QF-Bench dan 50 namuna COCO JSON formatida e’lon qilinganini bildiradi.

Code Availability: Yuklangan PDF da alohida formal Code Availability statement yo‘q; loyiha URL si berilgan.

Manfaatlar to‘qnashuvi: Yuklangan PDF da alohida conflict-of-interest / competing-interest statement aniqlanmagan; shu sabab “manfaatlar to‘qnashuvi yo‘q” degan taxmin qilinmagan.

Muallif hissalari: Yuklangan PDF da alohida CRediT yoki author-contribution statement aniqlanmagan.

Litsenziya: Yuklangan PDF va tasdiqlangan CVF landing page da Verianla nuqtai nazaridan figurani bevosita qayta ishlatishni ishonchli asoslaydigan ochiq Creative Commons litsenziyasi tasdiqlanmagan. Ochiq kirish avtomatik tarzda cheksiz qayta foydalanish ruxsati deb qabul qilinmagan.

Asosiy talqin chegarasi: Tadqiqot optik mikroskop tasvirlarida physics-aware AI xarakterizatsiyasining benchmark ishlashini ko‘rsatadi; mustaqil fizik qalinlik o‘lchash usullarini shartsiz almashtirish, barcha laboratoriyalarga ayni ishlash bilan umumlashtirish yoki yangi kvant materialini kashf etish isboti emas.


Ulashish:

Izohlar ko‘rib chiqilgandan keyin e’lon qilinadi. Izohingiz tasdiqlash jarayoniga yuboriladi va ma’qullangach ko‘rinadi.

Izoh qoldiring

E-pochta manzilingiz chop etilmaydi. Majburiy maydonlar * bilan belgilangan