Methods and Applications of Autonomous Experimentation
Sorozatcím: Chapman & Hall/CRC Computational Science;
-
10% KEDVEZMÉNY?
- A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
- Kiadói listaár GBP 42.99
-
21 757 Ft (20 721 Ft + 5% áfa)
Az ár azért becsült, mert a rendelés pillanatában nem lehet pontosan tudni, hogy a beérkezéskor milyen lesz a forint árfolyama az adott termék eredeti devizájához képest. Ha a forint romlana, kissé többet, ha javulna, kissé kevesebbet kell majd fizetnie.
- Kedvezmény(ek) 10% (cc. 2 176 Ft off)
- Discounted price 19 581 Ft (18 649 Ft + 5% áfa)
21 757 Ft
Beszerezhetőség
Még nem jelent meg, de rendelhető. A megjelenéstől számított néhány héten belül megérkezik.
Why don't you give exact delivery time?
A beszerzés időigényét az eddigi tapasztalatokra alapozva adjuk meg. Azért becsült, mert a terméket külföldről hozzuk be, így a kiadó kiszolgálásának pillanatnyi gyorsaságától is függ. A megadottnál gyorsabb és lassabb szállítás is elképzelhető, de mindent megteszünk, hogy Ön a lehető leghamarabb jusson hozzá a termékhez.
A termék adatai:
- Kiadás sorszáma 1
- Kiadó Chapman and Hall
- Megjelenés dátuma 2025. szeptember 8.
- ISBN 9781032417530
- Kötéstípus Puhakötés
- Terjedelem444 oldal
- Méret 254x178 mm
- Súly 453 g
- Nyelv angol
- Illusztrációk 8 Illustrations, black & white; 118 Illustrations, color; 9 Halftones, color; 8 Line drawings, black & white; 109 Line drawings, color; 5 Tables, black & white 0
Kategóriák
Rövid leírás:
Illustrating theoretical foundations and incorporating practitioners? first-hand experience, book is a practical guide to successful Autonomous Experimentation.
TöbbHosszú leírás:
Autonomous Experimentation is poised to revolutionize scientific experiments at advanced experimental facilities. Whereas previously, human experimenters were burdened with the laborious task of overseeing each measurement, recent advances in mathematics, machine learning and algorithms have alleviated this burden by enabling automated and intelligent decision-making, minimizing the need for human interference. Illustrating theoretical foundations and incorporating practitioners? first-hand experiences, this book is a practical guide to successful Autonomous Experimentation.
Despite the field?s growing potential, there exists numerous myths and misconceptions surrounding Autonomous Experimentation. Combining insights from theorists, machine-learning engineers and applied scientists, this book aims to lay the foundation for future research and widespread adoption within the scientific community.
This book is particularly useful for members of the scientific community looking to improve their research methods but also contains additional insights for students and industry professionals interested in the future of the field.
TöbbTartalomjegyzék:
Preface
Contributors
Chapter 1 Autonomous Experimentation in Practice
Kevin G. Yager
Chapter 2 A Friendly Mathematical Perspective on Autonomous Experimentation
Marcus M. Noack
Chapter 3 A Perspective on Machine Learning for Autonomous Experimentation
Joshua Schrier and Alexander J. Norquist
Chapter 4 Gaussian Processes
Marcus M. Noack
Chapter 5 Uncertainty Quantification
Mark D. Risser and Marcus M. Noack
Chapter 6 Surrogate Model Guided Optimization
Juliane Mueller
Chapter 7 Artificial Neural Networks
Daniela Ushizima
Chapter 8 NSLS2
Philip M. Maffettone, Daniel B. Allan, Andi Barbour, Thomas A. Caswell, Dmitri Gavrilov, Marcus D. Handwell, Thomas Morris, Daniel Olds, Maksim Rakitin, Stuart I. Campbell and Bruce Ravel
Chapter 9 Reinforcement Learning
Yixuan Sun, Krishnan Raghavan and Prasanna Balaprakash
Chapter 10 Applications of Autonomous Methods to Synchrotron X-ray Scattering and Diffraction Experiments
Masafumi Fukuto, Yu-Chen Wiegart, Marcus M. Noack and Kevin G. Yager
Chapter 11 Autonomous Infrared Absorption Spectroscopy
Hoi-Ying Holman, Steven Lee, Liang Chen, Petrus H. Zwart and Marcus M. Noack
Chapter 12 Autonomous Hyperspectral Scanning Tunneling Spectroscopy
Antonio Rossi, Darian Smalley, Masahiro Ishigami, Eli Rotenberg, Alexander Weber-Barigoni and John C. Thomas
Chapter 13 Autonomous Control and Analyses of Fabricated Ecosystems
Trent R. Northern, Peter Andeer, Marcus M. Noack, Ptrus H. Zwart and Daniela Ushizima
Chapter 14 Autonomous Neutron Experiments
Martin Boehm, David E. Perryman, Alessio De Francesco, Luisa Scaccia, Alessandro Cunsolo, Tobias Weber, Yannick LeGoc and Paolo Mutti
Chapter 15 Material Discovery in Poorly Explored High-Dimensional Targeted Spaces
Suchismita Sarker and Apurva Mehta
Chapter 16 Autonomous Optical Microscopy for Exploring Nucleation and Growth of DNA Crystals
Aaron N. Michelson
Chapter 17 Constratined Autonomous Modelin of Metal-Mineral Adsorption
Elliot Chang, Linda Beverly and Haruko Wainwright
Chapter 18 Physics-In-The-Loop
Aaron Gilad Kusne
Chapter 19 A Closed Loop of Diverse Disciplines
Marucs M. Noack and Kevin G. Yager
Chapter 20 Analysis of Raw Data
Marcus M. Noack and Kevin G. Yager
Chapter 21 Autonomous Intelligent Decision Making
Marcus M. Noack and Kevin G. Yager
Chapter 22 Data Infrastructure
Marcus M. Noack and Kevin G. Yager
Bibliography
Index
Több
