論文の概要: Advanced Multi-Variate Analysis Methods for New Physics Searches at the
Large Hadron Collider
- arxiv url: http://arxiv.org/abs/2105.07530v1
- Date: Sun, 16 May 2021 22:20:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 14:20:22.353238
- Title: Advanced Multi-Variate Analysis Methods for New Physics Searches at the
Large Hadron Collider
- Title(参考訳): 大型ハドロン衝突型加速器の新物理探索のための高度多変量解析法
- Authors: Anna Stakia, Tommaso Dorigo, Giovanni Banelli, Daniela Bortoletto,
Alessandro Casa, Pablo de Castro, Christophe Delaere, Julien Donini, Livio
Finos, Michele Gallinaro, Andrea Giammanco, Alexander Held, Fabricio
Jim\'enez Morales, Grzegorz Kotkowski, Seng Pei Liew, Fabio Maltoni, Giovanna
Menardi, Ioanna Papavergou, Alessia Saggio, Bruno Scarpa, Giles C. Strong,
Cecilia Tosciri, Jo\~ao Varela, Pietro Vischia, Andreas Weiler
- Abstract要約: ava4newphysicsは、高度多変量解析法と統計学習ツールの高エネルギー物理学問題へのカスタマイズと応用を研究した。
これらの手法の多くは、CERNにおけるATLASおよびCMS実験によるデータ解析の感度向上に成功している。
テスト段階にある他のいくつかは、基礎物理学パラメータの測定の精度と新しい現象の探索の到達範囲をさらに改善することを約束している。
- 参考スコア(独自算出の注目度): 72.34476433304168
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Between the years 2015 and 2019, members of the Horizon 2020-funded
Innovative Training Network named "AMVA4NewPhysics" studied the customization
and application of advanced multivariate analysis methods and statistical
learning tools to high-energy physics problems, as well as developed entirely
new ones. Many of those methods were successfully used to improve the
sensitivity of data analyses performed by the ATLAS and CMS experiments at the
CERN Large Hadron Collider; several others, still in the testing phase, promise
to further improve the precision of measurements of fundamental physics
parameters and the reach of searches for new phenomena. In this paper, the most
relevant new tools, among those studied and developed, are presented along with
the evaluation of their performances.
- Abstract(参考訳): 2015年から2019年にかけて、horizon 2020が出資するイノベーティブトレーニングネットワークamva4newphysicsのメンバーは、高度な多変量解析手法と統計学習ツールの高エネルギー物理学問題へのカスタマイズと応用を研究し、全く新しいものを開発した。
これらの手法の多くは、CERN大型ハドロン衝突型加速器(英語版)におけるATLASおよびCMS実験によるデータ解析の感度向上に成功し、試験段階にある他のいくつかは、基礎物理学パラメータの測定精度の向上と新しい現象の探索の到達を約束している。
本稿では,研究・開発において最も関連性の高い新ツールについて,その性能評価とともに紹介する。
関連論文リスト
- Building Flexible Machine Learning Models for Scientific Computing at
Scale [36.50343666079548]
我々は科学計算の基礎モデル構築のためのパラダイムシフトアプローチであるOmniArchを紹介する。
包括的なPDEBenchデータセットで事前トレーニングされたOmniArchは、新しいパフォーマンスベンチマークを1D、2D、3D PDE用に設定する。
モデルの表現はさらに逆問題解決にまで拡張され、AI対応科学コンピューティング(AI4SC)の変革の可能性を強調している。
論文 参考訳(メタデータ) (2024-02-25T07:19:01Z) - Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。
PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。
提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2023-09-27T14:39:41Z) - 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) - Recent Advances and Applications of Machine Learning in Experimental
Solid Mechanics: A Review [0.0]
機械学習(ML)の最近の進歩は、実験的な固体力学の新しい機会を提供する。
このレビューは、MLメソッドの使用に関する貴重な洞察と、固体力学の研究者が実験に組み込むための様々な例を提供することを目的としている。
論文 参考訳(メタデータ) (2023-03-14T06:15:17Z) - Data-driven Science and Machine Learning Methods in Laser-Plasma Physics [4.893345190925178]
近年の技術的改善により、実験とシミュレーションの両方において、より多くのデータを集めることが可能になった。
これは、数学、統計学、計算機科学の高度な技術を使って、ビッグデータに対処し、利益を得るという関心を喚起した。
本稿では,レーザープラズマ物理への適用性に着目した機械学習手法の概要を述べる。
論文 参考訳(メタデータ) (2022-11-30T15:22:40Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳(メタデータ) (2022-07-21T12:11:18Z) - Learning new physics efficiently with nonparametric methods [11.970219534238444]
モデルに依存しない新しい物理探索のための機械学習手法を提案する。
対応するアルゴリズムは、最近のカーネルメソッドの大規模実装によって実現されている。
トレーニング時間や計算資源の観点から、ニューラルネットワークの実装と比較して、我々のアプローチは劇的なアドバンテージがあることが示される。
論文 参考訳(メタデータ) (2022-04-05T16:17:59Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳(メタデータ) (2021-08-09T17:39:09Z) - Towards High Performance Relativistic Electronic Structure Modelling:
The EXP-T Program Package [68.8204255655161]
並列計算機用に設計されたFS-RCC方式の新たな実装を提案する。
実装のパフォーマンスとスケーリングの特徴を分析した。
開発されたソフトウェアは、重い超重核を含む原子や分子の性質を予測するための全く新しいレベルの精度を達成することができる。
論文 参考訳(メタデータ) (2020-04-07T20:08:30Z) - Complete CVDL Methodology for Investigating Hydrodynamic Instabilities [0.49873153106566565]
流体力学において、最も重要な研究分野の1つは流体力学の不安定性と異なる流れ状態におけるその進化である。
現在、そのような現象、すなわち分析モデル、実験、シミュレーションを理解するために3つの主要な手法が使用されている。
我々は、この研究の大部分が、Deep Learning(CVDL、Deep Computer-Vision)の分野における最近の画期的な進歩を用いて、分析されるべきであると主張している。
具体的には、最も代表的な不安定性であるRayleigh-Taylorの研究に焦点をあて、その振る舞いをシミュレートし、オープンソースの状態を作り出す。
論文 参考訳(メタデータ) (2020-04-03T13:52:04Z)
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。