JEPA自监督学习用于XRD图谱表征

Ming-Chiang Chang 与 Brian DeCost 提出并评估了一种基于自监督联合嵌入预测架构（JEPA）的框架，用于从一维粉末 X 射线衍射图谱中学习表征嵌入；该框架在潜空间内优化掩码自预测损失。 研究称，基于冻结 JEPA 表征训练的轻量注意力探针，在空间群分类与晶格参数估计上接近规模大得多的监督式视觉 Transformer。潜空间探测还显示，该表征自然组织物理变换，并可沿单相晶体表征间的潜路径解码出真实的多相混合图谱。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。