Fugu-MT 論文翻訳(概要): Likelihood-free inference of experimental Neutrino Oscillations using Neural Spline Flows

論文の概要: Likelihood-free inference of experimental Neutrino Oscillations using Neural Spline Flows

arxiv url: http://arxiv.org/abs/2002.09436v3
Date: Wed, 20 May 2020 06:18:32 GMT
ステータス: 処理完了
システム内更新日: 2022-12-30 01:55:34.234812
Title: Likelihood-free inference of experimental Neutrino Oscillations using Neural Spline Flows
Title（参考訳）: ニューラルスプライン流を用いた実験ニュートリノ振動の確率-自由推定
Authors: Sebastian Pina-Otey, Federico S\'anchez, Vicens Gaitan and Thorsten Lux
Abstract要約: 機械学習において、確率自由推論(英: chance-free inference)とは、分析式の代わりにデータによって駆動される分析を行うタスクである。神経密度推定アルゴリズムであるニュートリノ流のロングベースラインニュートリノ実験におけるニュートリノ振動パラメータ測定の確率自由推論問題への適用について検討する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In machine learning, likelihood-free inference refers to the task of performing an analysis driven by data instead of an analytical expression. We discuss the application of Neural Spline Flows, a neural density estimation algorithm, to the likelihood-free inference problem of the measurement of neutrino oscillation parameters in Long Baseline neutrino experiments. A method adapted to physics parameter inference is developed and applied to the case of the disappearance muon neutrino analysis at the T2K experiment.
Abstract（参考訳）: 機械学習では、確率自由推論は分析式の代わりにデータによって駆動される分析を実行するタスクを指す。神経密度推定アルゴリズムであるニュートリノ流のロングベースラインニュートリノ実験におけるニュートリノ振動パラメータ測定の確率自由推論問題への適用について検討する。物理パラメータ推定に適応した手法を開発し,T2K実験における消失ミューオンニュートリノ分析の事例に適用した。

関連論文リスト

Inertial Torsion Noise in Matter-Wave Interferometers for Gravity Experiments [0.0]
物質波干渉計は、非慣性ノイズ源に感受性があり、デファス化を誘発し、結果として干渉計の可視性が失われる。ここでは、薄線で吊り下げられた実験装置の回転運動から生じる慣性ねじりノイズ(ITN)に着目し、ランダムな外トルクを受ける。熱環境下で実験ボックスを記述したランゲヴィン方程式から始まるITN雑音の解析式を,伝達関数とともに使用し,劣化係数を求める。
論文参考訳（メタデータ） (2024-04-23T18:57:24Z)
SimPINNs: Simulation-Driven Physics-Informed Neural Networks for Enhanced Performance in Nonlinear Inverse Problems [0.0]
本稿では,ディープラーニング技術を活用した逆問題の解法を提案する。目的は、観測データに基づいて物理システムを管理する未知のパラメータを推論することである。
論文参考訳（メタデータ） (2023-09-27T06:34:55Z)
Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文参考訳（メタデータ） (2023-06-03T06:19:20Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
On the uncertainty analysis of the data-enabled physics-informed neural network for solving neutron diffusion eigenvalue problem [4.0275959184316825]
いくつかの観点から中性子拡散固有値問題の計算におけるDEPINNの性能について検討する。ノイズの影響を低減し,ノイズ先行データの利用を改善するために,革新的な区間損失関数を提案する。本稿では, 原子炉物理の実用化に向けた改良型DEPINNの実現可能性を確認する。
論文参考訳（メタデータ） (2023-03-15T08:59:03Z)
Learning Discretized Neural Networks under Ricci Flow [51.36292559262042]
低精度重みとアクティベーションからなる離散ニューラルネットワーク(DNN)について検討する。 DNNは、訓練中に微分不可能な離散関数のために無限あるいはゼロの勾配に悩まされる。
論文参考訳（メタデータ） (2023-02-07T10:51:53Z)
Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文参考訳（メタデータ） (2021-06-23T18:00:05Z)
Learning neural network potentials from experimental data via Differentiable Trajectory Reweighting [0.0]
ニューラルネットワーク(NN)電位を直接実験データから学習するトップダウンアプローチは、あまり注目されていない。本稿では,時間非依存オブザーバのMDシミュレーションにより,微分を回避できるDiffTRe法を提案する。本研究では,ダイヤモンドの原子モデルと粒度の粗い水モデルに対するNN電位の学習におけるDiffTReの有効性を示す。
論文参考訳（メタデータ） (2021-06-02T13:10:43Z)
Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文参考訳（メタデータ） (2021-02-12T12:23:13Z)
Neural Dynamic Mode Decomposition for End-to-End Modeling of Nonlinear Dynamics [49.41640137945938]
ニューラルネットワークに基づくリフト関数を推定するためのニューラルダイナミックモード分解法を提案する。提案手法により,予測誤差はニューラルネットワークとスペクトル分解によって逆伝搬される。提案手法の有効性を,固有値推定と予測性能の観点から実証した。
論文参考訳（メタデータ） (2020-12-11T08:34:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。