the scope of this article, but the

the scope of this article, but the reader is encouraged to
explore prior publication for more detailed explanations
of our multidimensional analysis techniques [113,120].
EDEN is an exemplary case of the indispensable visual analytics
techniques that provide intelligent user interfaces
by leveraging both visual representations and human
interaction, thereby enhancing scientific discovery with
vital assistance from automated analytics. As we develop
new visual analytics approaches like EDEN for materials
science workflows, we expect to dramatically reduce
knowledge discovery timelines through more intuitive and
exploratory analysis guided by machine learning algorithms
in an intelligent visual interface.
Conclusions
The development of electron and scanning probe microscopies
in the second half of the twentieth century
was enabled by computer-assisted methods for automatic
data acquisition, storage, analysis, and tuning and refinement
of feedback loops as well as imaging parameters. In
the last decade, high-resolution STEM and STM imaging
techniques have enabled acquisition of high-veracity information
[121] at the atomic scale, readily providing insight
on positions and functionality of materials that have been
inaccessible due to a lagging analysis framework in the microscopy
communities. Naturally, progress in complexity
of dynamic and functional imaging leads to multidimensional
data sets containing spectral information on local
physical and chemical functionalities, which can be easily
expanded further to acquire data as a function of a plethora
of parameters such as time, temperature, or many
other external stimuli.
Maximizing the scientific output from existing and future
microscopes brings forth the challenge of analysis,
visualization, and storage of data, as well as decorrelation
and classification of the known and unknown hidden data
parameters, the traditional big data analysis. The existing
infrastructure for such analysis has been developed in the
context of medical and satellite imaging, and its extension
to functional and structural imaging data is a natural next
step. Of course, further development toward a flexible infrastructure
where the scientists can select or define their
own analysis algorithms to analyze the data ‘on the fly’ as
it is being collected can be envisioned. This will require
scalable algorithms, high-performance computing, and
storage infrastructure. Reducing the data sets to a more
manageable size, while initially attractive, comes with the
risk of losing significant information within the data, particularly
for exploratory studies in which the phenomena
of interest may not be captured by statistical methods.
Beyond the big data challenges [122,123] is the transition
to a deep data approach, in which we fully utilize all
the information present within the data to derive an understanding
[124] - namely, how do we ascribe relevant

ผลลัพธ์ (ไทย) 1:

ขอบเขตของบทความนี้ แต่อ่านแนะนำสำรวจประกาศล่วงหน้าสำหรับคำอธิบายเพิ่มเติมเทคนิคการวิเคราะห์หลายมิติของเรา [113,120]เอเดนเป็นเรื่องเป็นแบบอย่างของการวิเคราะห์ภาพที่ขาดไม่ได้เทคนิคที่ให้อินเทอร์เฟซของผู้ใช้งานอัจฉริยะโดยใช้ประโยชน์จากตัวแทนและบุคคลการโต้ตอบ จึงเพิ่มค้นพบทางวิทยาศาสตร์ด้วยช่วยเหลือที่สำคัญจากการวิเคราะห์แบบอัตโนมัติ เราพัฒนาวิเคราะห์ภาพใหม่วิธีเช่นอีเดนสำหรับวัสดุเราคาดว่าจะลดลำดับงานวิทยาศาสตร์ระยะเวลาในการค้นหาความรู้ผ่านเพิ่มเติมง่าย และสำรวจวิเคราะห์โดยเครื่องเรียนรู้อัลกอริทึมในการอินเตอร์เฟซภาพอัจฉริยะบทสรุปอิเล็กตรอนและการสแกนโพรบ microscopiesในครึ่งหลังของศตวรรษยี่สิบเปิดใช้งาน โดยคอมพิวเตอร์ช่วยวิธีการอัตโนมัติข้อมูล เก็บข้อมูล วิเคราะห์ และปรับแต่ง และการปรับแต่งความคิดเห็นที่ลูปเช่นพารามิเตอร์เป็นภาพ ในทศวรรษ ภาพลำต้นและ STM ความละเอียดสูงเทคนิคการเปิดใช้งานการจัดเก็บข้อมูลสูงจริง[121] ในระดับอะตอม พร้อมให้ข้อมูลเชิงลึกในตำแหน่งและหน้าที่ของวัสดุ ที่ได้รับไม่สามารถเข้าถึงเนื่องจากกรอบการวิเคราะห์พึ่งในไมโครสโคชุมชนและสังคม ธรรมชาติ ความคืบหน้าในความซับซ้อนการถ่ายภาพแบบไดนามิก และการทำงานไปสู่มิติชุดข้อมูลที่ประกอบด้วยข้อมูลสเปกตรัมในท้องถิ่นกายภาพ และทางเคมีฟังก์ชัน สะดวกขยายการใช้ข้อมูลตามมากมายพารามิเตอร์เช่นเวลา อุณหภูมิ หรือหลายสิ่งเร้าอื่น ๆ ภายนอกเพิ่มผลผลิตทางวิทยาศาสตร์ที่มีอยู่และในอนาคตกล้องจุลทรรศน์ที่นำเสนอความท้าทายของการวิเคราะห์การแสดง และการจัดเก็บข้อมูล เป็น decorrelationและการจัดประเภทรู้จักและไม่รู้จักที่ซ่อนข้อมูลพารามิเตอร์ การวิเคราะห์ข้อมูลแบบดั้งเดิม ที่มีอยู่โครงสร้างพื้นฐานสำหรับการวิเคราะห์ดังกล่าวได้รับการพัฒนาในการบริบทของการแพทย์ และภาพดาวเทียม และส่วนขยายของการทำงาน และโครงสร้างธรรมชาติเป็นภาพข้อมูลถัดไปขั้นตอนการ หลักสูตร การพัฒนาไปสู่โครงสร้างพื้นฐานยืดหยุ่นนักวิทยาศาสตร์จะเลือก หรือกำหนดของพวกเขาอัลกอริทึมวิเคราะห์ตัวเองวิเคราะห์ข้อมูล 'บิน' เป็นการเก็บสามารถจินตนาการได้ นี้จะต้องอัลกอริทึมสามารถปรับขนาด คอมพิวเตอร์ ประสิทธิภาพสูง และโครงสร้างจัดเก็บ ลดชุดข้อมูลมากขึ้นขนาดง่าย ในขณะที่เริ่มต้นที่น่าสนใจ มาพร้อมกับการความเสี่ยงของการสูญเสียข้อมูลสำคัญภายในข้อมูลที่ โดยเฉพาะอย่างยิ่งการศึกษาสำรวจที่ปรากฏการณ์น่าสนใจอาจไม่จับ โดยใช้วิธีการทางสถิตินอกเหนือจากความท้าทายใหญ่ข้อมูล [122,123] เป็นการเปลี่ยนแปลงการวิธีการข้อมูลลึก ที่เราใช้ทั้งหมดข้อมูลที่มีอยู่ภายในข้อมูลที่ได้มีความเข้าใจ[124] - คือ วิธีทำเรา ascribe ที่เกี่ยวข้อง

ผลลัพธ์ (ไทย) 2:

ขอบเขตของบทความนี้ แต่ผู้อ่านคือการส่งเสริมให้
สำรวจที่ตีพิมพ์ก่อนสำหรับคำอธิบายรายละเอียดเพิ่มเติม
ของเทคนิคการวิเคราะห์หลายมิติของเรา [113,120].
EDEN เป็นกรณีที่เป็นแบบอย่างของการวิเคราะห์ภาพที่ขาดไม่ได้
เทคนิคที่ให้ส่วนติดต่อผู้ใช้ที่ชาญฉลาด
โดยใช้ประโยชน์จากทั้งการแสดงภาพและ มนุษย์
มีปฏิสัมพันธ์จึงเพิ่มค้นพบทางวิทยาศาสตร์กับ
ความช่วยเหลือที่สำคัญจากการวิเคราะห์อัตโนมัติ ขณะที่เราพัฒนา
การวิเคราะห์ภาพใหม่วิธีการเหมือนสวนเอเดนสำหรับวัสดุ
เวิร์กโฟลว์วิทยาศาสตร์เราคาดว่าจะช่วยลด
ระยะเวลาในการค้นพบความรู้ผ่านการใช้งานง่ายมากขึ้นและ
การวิเคราะห์สอบสวนแนะนำโดยขั้นตอนวิธีการเรียนรู้ของเครื่อง
ในอินเตอร์เฟซที่ชาญฉลาด.
สรุปผลการวิจัย
การพัฒนาของอิเล็กตรอนและการสแกนสอบสวน microscopies
ใน ครึ่งหลังของศตวรรษที่ยี่สิบ
ถูกเปิดใช้งานโดยวิธีการใช้คอมพิวเตอร์ช่วยสำหรับอัตโนมัติ
เก็บข้อมูลการจัดเก็บข้อมูลการวิเคราะห์และการปรับแต่งและการปรับแต่ง
ของลูคิดเห็นเช่นเดียวกับพารามิเตอร์การถ่ายภาพ ใน
ทศวรรษที่ผ่านมา STEM ความละเอียดสูงและการถ่ายภาพ STM
เทคนิคได้เปิดใช้งานการเข้าซื้อกิจการของข้อมูลที่สูงจริง
[121] ในระดับอะตอมพร้อมให้ข้อมูลเชิงลึก
เกี่ยวกับตำแหน่งและการทำงานของวัสดุที่ได้รับ
ไม่สามารถเข้าถึงได้เนื่องจากกรอบการวิเคราะห์ปกคลุมด้วยวัตถุฉนวนใน กล้องจุลทรรศน์
ชุมชน ธรรมชาติความคืบหน้าในความซับซ้อน
ของการถ่ายภาพแบบไดนามิกและการทำงานนำไปสู่หลายมิติ
ชุดข้อมูลที่มีข้อมูลสเปกตรัมในท้องถิ่น
ฟังก์ชันกายภาพและทางเคมีซึ่งสามารถได้อย่างง่ายดาย
ขยายตัวต่อไปที่จะได้รับข้อมูลที่เป็นฟังก์ชั่นมากมายเหลือเฟือเป็น
ของพารามิเตอร์เช่นเวลา, อุณหภูมิหรือหลาย
สิ่งเร้าภายนอกอื่น ๆ .
การเพิ่มผลผลิตทางวิทยาศาสตร์จากที่มีอยู่และในอนาคต
กล้องจุลทรรศน์นำมาความท้าทายของการวิเคราะห์,
การแสดง, และการจัดเก็บข้อมูลเช่นเดียวกับ decorrelation
และประเภทของการรู้จักและไม่รู้จักข้อมูลที่ซ่อนอยู่
พารามิเตอร์ในการวิเคราะห์ข้อมูลขนาดใหญ่แบบดั้งเดิม ที่มีอยู่ใน
โครงสร้างพื้นฐานสำหรับการวิเคราะห์ดังกล่าวได้รับการพัฒนาใน
บริบทของการถ่ายภาพทางการแพทย์และสัญญาณดาวเทียมและขยาย
ไปยังข้อมูลการถ่ายภาพโครงสร้างและการทำงานเป็นต่อไปตามธรรมชาติ
ขั้นตอน ของหลักสูตรการพัฒนาต่อไปสู่โครงสร้างพื้นฐานที่มีความยืดหยุ่น
ที่นักวิทยาศาสตร์สามารถเลือกหรือกำหนดของพวกเขา
ขั้นตอนวิธีการวิเคราะห์ของตัวเองในการวิเคราะห์ข้อมูล 'ได้ทันที "ขณะที่
มันจะถูกเก็บรวบรวมสามารถจินตนาการ นี้จะต้องมี
ขั้นตอนวิธีการขยายขีดความสามารถการประมวลผลประสิทธิภาพสูงและ
โครงสร้างการจัดเก็บ การลดข้อมูลไปยังชุดขึ้น
ขนาดที่สามารถจัดการในขณะที่ที่น่าสนใจในตอนแรกมาพร้อมกับ
ความเสี่ยงของการสูญเสียข้อมูลที่สำคัญภายในข้อมูลโดยเฉพาะอย่างยิ่ง
สำหรับการศึกษาสำรวจซึ่งปรากฏการณ์
ที่น่าสนใจอาจจะไม่ถูกจับโดยวิธีการทางสถิติ.
นอกเหนือจากความท้าทายข้อมูลขนาดใหญ่ [ 122,123] คือการเปลี่ยนแปลง
ที่จะเป็นวิธีการที่ข้อมูลลึกในการที่เราใช้ประโยชน์อย่างเต็มที่ทั้งหมด
ในปัจจุบันข้อมูลภายในข้อมูลที่จะได้รับความเข้าใจ
[124] - คือทำอย่างไรเราจะตั้งภาคีที่เกี่ยวข้อง