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
- Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [111.90150190668555]
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) - Balanced Training of Energy-Based Models with Adaptive Flow Sampling [13.951904929884618]
エネルギーベースモデル (EBMs) は、非正規化ログ密度を直接パラメータ化する汎用密度推定モデルである。
我々は、異なる種類の生成モデル、正規化フロー(NF)を用いたESMのための新しい最大可能性トレーニングアルゴリズムを提案する。
本手法はトレーニング中にNFをEMMに適合させ,NF支援サンプリング方式によりESMの正確な勾配が常に得られるようにする。
論文 参考訳(メタデータ) (2023-06-01T13:58:06Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic
Representation [62.017505017414564]
教師なしの方法でニューラルソルバを訓練することが不可欠である。
既存の手法は妥当な精度を達成し、重要な計算課題と不正確なシミュレーションをもたらす。
PDEの確率的表現を用いて教師なしニューラルソルバを訓練するためのモンテカルロPDEソルバを提案する。
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) - Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。
粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
論文 参考訳(メタデータ) (2021-10-06T16:58:34Z) - 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) - Adaptive Physics-Informed Neural Networks for Markov-Chain Monte Carlo [2.741266294612776]
確率関数の計算にPDEを解く必要があるパラメータ推定問題に焦点をあてる。
提案手法は,(1)フォワードモデルへの近似としてオフラインPINN-UQモデルを構築し,(2)MCMCサンプルから生成されたサンプルを用いて,この近似モデルをフライで精製する。
本稿では,ポアソン方程式に支配されるシステムのパラメータ推定問題の解法として,提案手法の性能を数値的に示す。
論文 参考訳(メタデータ) (2020-08-03T15:25:10Z) - Efficient Programmable Random Variate Generation Accelerator from Sensor
Noise [1.90365714903665]
制御環境における物理過程のサンプリングに基づく非一様乱数生成手法を提案する。
物理プロセスの供給電圧と温度は、乱数生成器の平均および標準偏差がドリフトすることを防ぐために制御されなければならないことを示す。
論文 参考訳(メタデータ) (2020-01-10T13:43:29Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。