Fugu-MT 論文翻訳(概要): Exhaustive Neural Importance Sampling applied to Monte Carlo event generation

論文の概要: Exhaustive Neural Importance Sampling applied to Monte Carlo event generation

arxiv url: http://arxiv.org/abs/2005.12719v2
Date: Tue, 21 Jul 2020 06:26:06 GMT
ステータス: 処理完了
システム内更新日: 2022-11-29 00:50:22.574317
Title: Exhaustive Neural Importance Sampling applied to Monte Carlo event generation
Title（参考訳）: モンテカルロ事象生成における神経重要度サンプリングの応用
Authors: Sebastian Pina-Otey, Federico S\'anchez, Thorsten Lux and Vicens Gaitan
Abstract要約: Exhaustive Neural Smpling (ENIS) は、リジェクションサンプリングに適した提案密度を自動かつ効率的に求めるための、フローの正規化に基づく手法である。本稿では,この手法がリジェクションアルゴリズムの共通問題をいかに解決するかを論じる。
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: The generation of accurate neutrino-nucleus cross-section models needed for neutrino oscillation experiments require simultaneously the description of many degrees of freedom and precise calculations to model nuclear responses. The detailed calculation of complete models makes the Monte Carlo generators slow and impractical. We present Exhaustive Neural Importance Sampling (ENIS), a method based on normalizing flows to find a suitable proposal density for rejection sampling automatically and efficiently, and discuss how this technique solves common issues of the rejection algorithm.
Abstract（参考訳）: ニュートリノ振動実験に必要な正確なニュートリノ-核断面積モデルの生成には、多くの自由度の記述と核反応をモデル化するための正確な計算が必要である。完全モデルの詳細な計算により、モンテカルロ発電機は遅く非実用的である。本稿では,リジェクションサンプリングに適した提案密度を求めるためのフローの正規化に基づく手法であるExhaustive Neural Importance Smpling(ENIS)を提案し,この手法がリジェクションアルゴリズムの共通問題をいかに解決するかについて議論する。

関連論文リスト

Machine learning-enabled velocity model building with uncertainty quantification [0.41942958779358674]
移動速度モデルの正確な特徴付けは、幅広い物理応用に不可欠である。従来の速度モデル構築法は強力であるが、逆問題の本質的な複雑さに悩まされることが多い。本稿では,Diffusion Networkの形で生成モデリングと物理インフォームド・サマリ・統計を統合したスケーラブルな手法を提案する。
論文参考訳（メタデータ） (2024-11-11T01:36:48Z)
Variational Tensor Network Simulation of Gaussian Boson Sampling and Beyond [0.0]
一般連続変数サンプリング問題に対する古典的シミュレーションツールを提案する。我々はサンプリング問題を、単純な少数体ハミルトンの基底状態を見つけるための問題として再定式化する。我々はガウスボソンサンプリングをシミュレートして手法を検証する。
論文参考訳（メタデータ） (2024-10-24T13:43:06Z)
Conditional Lagrangian Wasserstein Flow for Time Series Imputation [3.914746375834628]
本研究では,条件付きラグランジアンワッサースタイン流という時系列計算法を提案する。提案手法は(条件付き)最適輸送理論を利用して,シミュレーションのない方法で確率流を学習する。実単語データセットを用いた実験結果から,提案手法は時系列計算における競合性能を実現することが示された。
論文参考訳（メタデータ） (2024-10-10T02:46:28Z)
Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。 PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文参考訳（メタデータ） (2024-07-10T17:39:50Z)
Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
反復Denoising Energy Matching (iDEM) iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。提案手法は,全測定値の最先端性能を達成し,2～5倍の速さでトレーニングを行う。
論文参考訳（メタデータ） (2024-02-09T01:11:23Z)
Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文参考訳（メタデータ） (2023-02-10T08:05:19Z)
Efficient Propagation of Uncertainty via Reordering Monte Carlo Samples [0.7087237546722617]
不確実性伝播は、入力変数の不確実性に基づいてモデル出力の不確実性を決定する技術である。本研究は,全ての試料が平均的に有用であるにもかかわらず,他の試料よりも有用であるとする仮説を考察する。本稿では、MCサンプルを適応的に並べ替える手法を導入し、UPプロセスの計算コストの削減をもたらす方法を示す。
論文参考訳（メタデータ） (2023-02-09T21:28:15Z)
Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文参考訳（メタデータ） (2022-12-12T15:06:32Z)
Flow-based sampling in the lattice Schwinger model at criticality [54.48885403692739]
フローベースアルゴリズムは、格子場理論への応用のためのフィールド分布の効率的なサンプリングを提供することができる。フェルミオン質量の臨界値におけるシュウィンガーモデルにおけるロバストな流れに基づくサンプリングの数値的な実演を行う。
論文参考訳（メタデータ） (2022-02-23T19:00:00Z)
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)
Simulating the Time Projection Chamber responses at the MPD detector using Generative Adversarial Networks [0.0]
本研究では、NICA加速器複合体におけるMPD実験のTime Projection Chamberトラッカーのシミュレーションを高速化するための新しいアプローチを実証する。本手法は,任意の対象の集団分布を暗黙的に非パラメトリックに推定する深層学習手法である,生成型アドレアルネットワークに基づいている。提案モデルの品質を評価するために,mpdソフトウェアスタックに統合し,詳細なシミュレータと同様の高品質なイベントを生成することを実証する。
論文参考訳（メタデータ） (2020-12-08T17:57:37Z)

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。