論文の概要: Simulation-based inference methods for particle physics
- arxiv url: http://arxiv.org/abs/2010.06439v2
- Date: Mon, 2 Nov 2020 14:31:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 00:40:59.135097
- Title: Simulation-based inference methods for particle physics
- Title(参考訳): 粒子物理学のシミュレーションに基づく推論法
- Authors: Johann Brehmer and Kyle Cranmer
- Abstract要約: 高次元LHCデータの可能性関数が明示的に評価できない理由、なぜこれがデータ解析に重要であるのか、そしてこの問題を回避するためにフィールドが伝統的に行ってきたことを再検討する。
次に,機械学習技術とシミュレータからの情報を組み合わせることで,高次元データを直接解析するシミュレーションベース推論手法について検討する。
- 参考スコア(独自算出の注目度): 12.451050883955071
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Our predictions for particle physics processes are realized in a chain of
complex simulators. They allow us to generate high-fidelity simulated data, but
they are not well-suited for inference on the theory parameters with observed
data. We explain why the likelihood function of high-dimensional LHC data
cannot be explicitly evaluated, why this matters for data analysis, and reframe
what the field has traditionally done to circumvent this problem. We then
review new simulation-based inference methods that let us directly analyze
high-dimensional data by combining machine learning techniques and information
from the simulator. Initial studies indicate that these techniques have the
potential to substantially improve the precision of LHC measurements. Finally,
we discuss probabilistic programming, an emerging paradigm that lets us extend
inference to the latent process of the simulator.
- Abstract(参考訳): 粒子物理学過程の予測は複雑なシミュレータの連鎖によって実現される。
高忠実度シミュレーションデータを生成することができるが、観測データを用いた理論パラメータの推測には適していない。
高次元LHCデータの可能性関数が明示的に評価できない理由、なぜこれがデータ解析に重要であるのか、そしてこの問題を回避するためにフィールドが伝統的に行ってきたことを再検討する。
次に,機械学習技術とシミュレータの情報を組み合わせることで,高次元データを直接解析するシミュレーションベース推論手法について検討する。
最初の研究は、これらの技術がlhc測定の精度を大幅に改善する可能性を示唆している。
最後に,シミュレータの潜在プロセスに推論を拡張可能な,新たなパラダイムである確率的プログラミングについて論じる。
関連論文リスト
- Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - Data Compression and Inference in Cosmology with Self-Supervised Machine
Learning [0.86325068644655]
本稿では,機械学習のパラダイムを新たな方法で活用して,大規模データセットの代表要約を構築する手法を提案する。
本手法を流体力学宇宙学シミュレーションに展開することにより,高度に情報的な要約を実現できることを示す。
その結果、自己教師型機械学習技術は、宇宙データの圧縮と解析に有望な新しいアプローチを提供することが示された。
論文 参考訳(メタデータ) (2023-08-18T18:00:22Z) - Simulation-based inference using surjective sequential neural likelihood
estimation [50.24983453990065]
主観的逐次的ニューラルネットワーク類似度推定はシミュレーションに基づく推論の新しい手法である。
データを低次元空間に埋め込むことで、SSNLは高次元データセットに適用する際の従来の可能性ベースの手法が抱えるいくつかの問題を解く。
論文 参考訳(メタデータ) (2023-08-02T10:02:38Z) - Addressing computational challenges in physical system simulations with
machine learning [0.0]
シミュレーションを利用して様々な物理システムやプロセスを調べる研究者を支援する機械学習ベースのデータジェネレータフレームワークを提案する。
まず、シミュレーション結果を予測するために、限られたシミュレートされたデータセットを使用して教師付き予測モデルをトレーニングする。
その後、強化学習エージェントを訓練し、教師付きモデルを利用して正確なシミュレーションライクなデータを生成する。
論文 参考訳(メタデータ) (2023-05-16T17:31:50Z) - 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) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Learning Similarity Metrics for Volumetric Simulations with Multiscale
CNNs [25.253880881581956]
本研究では,エントロピーに基づく類似性モデルを提案する。
我々は数値PDEソルバと既存のシミュレーションデータリポジトリからフィールドのコレクションを作成する。
ボリューム類似度メトリック(VolSiM)を演算するマルチスケールCNNアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-02-08T19:19:08Z) - Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。
本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
論文 参考訳(メタデータ) (2021-11-02T12:33:42Z) - Probabilistic Inference of Simulation Parameters via Parallel
Differentiable Simulation [34.30381620584878]
実世界の計測を正確に再現するには、シミュレーターが適切な物理系のモデルを持つ必要がある。
ベイズ推定手法を用いてパラメータを推定する後者の問題に対処する。
我々は、GPUコード生成と微分可能シミュレーションを利用して、多くの粒子に対するその可能性とその勾配を並列に評価する。
論文 参考訳(メタデータ) (2021-09-18T03:05:44Z) - Incorporating Causal Graphical Prior Knowledge into Predictive Modeling
via Simple Data Augmentation [92.96204497841032]
因果グラフ(CG)は、データ分散の背後にあるデータ生成プロセスの知識のコンパクトな表現である。
本研究では,条件付き独立性(CI)関係の事前知識を活用可能なモデルに依存しないデータ拡張手法を提案する。
本手法は,小データシステムにおける予測精度の向上に有効であることを実験的に示した。
論文 参考訳(メタデータ) (2021-02-27T06:13:59Z) - Embedded-physics machine learning for coarse-graining and collective
variable discovery without data [3.222802562733787]
基礎となる物理を一貫して組み込む新しい学習フレームワークを提案する。
原子間力場の形で利用可能な物理学を完全に組み込んだ逆クルバック・リーブラー分岐に基づく新しい目的を提案する。
本研究は,バイモーダルポテンシャルエネルギー関数とアラニンジペプチドに対するCVの予測能力および物理的意義の観点からアルゴリズムの進歩を実証する。
論文 参考訳(メタデータ) (2020-02-24T10:28:41Z)
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。