論文の概要: Deep-Learned Event Variables for Collider Phenomenology

• arxiv url: http://arxiv.org/abs/2105.10126v1
• Date: Fri, 21 May 2021 04:39:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 11:46:14.609198
• Title: Deep-Learned Event Variables for Collider Phenomenology
• Title（参考訳）: 衝突現象学のための深層学習イベント変数
• Authors: Doojin Kim, Kyoungchul Kong, Konstantin T. Matchev, Myeonghun Park, Prasanth Shyamsundar
• Abstract要約: 未知のモデルパラメータの幅広い値に敏感な,優れたイベント変数を設計するためのディープラーニング手法を提案する。 単純なイベントトポロジでトレーニングしたニューラルネットワークが,標準的なイベント変数を再現可能であることを実証する。 この方法は自動化可能で、完全に汎用的であり、より複雑なイベントトポロジに対してセンシティブで以前は知られていなかったイベント変数を導出するのに使うことができる。
• 参考スコア（独自算出の注目度）: 2.677400850984099
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The choice of optimal event variables is crucial for achieving the maximal sensitivity of experimental analyses. Over time, physicists have derived suitable kinematic variables for many typical event topologies in collider physics. Here we introduce a deep learning technique to design good event variables, which are sensitive over a wide range of values for the unknown model parameters. We demonstrate that the neural networks trained with our technique on some simple event topologies are able to reproduce standard event variables like invariant mass, transverse mass, and stransverse mass. The method is automatable, completely general, and can be used to derive sensitive, previously unknown, event variables for other, more complex event topologies.
• Abstract（参考訳）: 最適事象変数の選択は実験解析の最大感度を達成するのに不可欠である。 時間とともに、物理学者は衝突型物理学における多くの典型的な事象トポロジーに適した運動変数を導出してきた。 ここでは,未知のモデルパラメータに対して幅広い値に敏感な,優れたイベント変数を設計するための深層学習手法を提案する。 単純なイベントトポロジ上で訓練されたニューラルネットワークは、不変質量、横質量、横質量といった標準的なイベント変数を再現できることを実証する。 このメソッドは自動化可能で、完全に汎用的であり、他のより複雑なイベントトポロジーに対する感度の高い、以前は未知のイベント変数の導出に使用できる。

関連論文リスト

• Full Event Particle-Level Unfolding with Variable-Length Latent Variational Diffusion [44.6263403467016]
  生成機械学習モデルは、多数の次元で未結合の展開を実行することを約束している。 生成的展開に対する変動潜在拡散モデル(VLD)アプローチの新たな変更について述べる。 この手法の性能は、大型ハドロン衝突型加速器における半レプトニックトップクォーク対生成の文脈で評価される。
  論文  参考訳（メタデータ） (2024-04-22T16:47:10Z)
• Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
  ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。 イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
  論文  参考訳（メタデータ） (2024-03-05T01:46:50Z)
• Accelerated Sampling of Rare Events using a Neural Network Bias Potential [2.7297500857637216]
  計算物理学と物質科学では、原子スケールで発生する稀な事象の効率的なサンプリングが重要である。 分子動力学やモンテカルロのような伝統的なシミュレーション手法は、これらの稀な事象の時間スケールをブルート力で捉えるのに非効率であることがしばしば証明される。 本稿では,これらの稀な事象のサンプリングを促進するために,重大サンプリングと深層ニューラルネットワーク(DNN)を組み合わせた実践的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-01-13T00:11:02Z)
• GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
  我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。 GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。 我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
  論文  参考訳（メタデータ） (2023-02-01T17:29:43Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Variational Neural Temporal Point Process [22.396329275957996]
  時間的ポイントプロセスは、どのイベントが発生するか、いつ発生するかを予測するプロセスである。 推論と生成ネットワークを導入し、潜伏変数の分布をトレーニングし、ディープニューラルネットワーク上の特性に対処する。 我々は,これらのモデルが様々なイベントの表現を一般化できることを実証的に実証した。
  論文  参考訳（メタデータ） (2022-02-17T13:34:30Z)
• SPANet: Generalized Permutationless Set Assignment for Particle Physics using Symmetry Preserving Attention [62.43586180025247]
  大型ハドロン衝突型加速器の衝突は、観測された粒子の可変サイズの集合を生成する。 崩壊生成物の物理対称性は、観測された粒子の崩壊生成物の割り当てを複雑にする。 本稿では,対称性を保った注目ネットワークを構築するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:18:20Z)
• EventDrop: data augmentation for event-based learning [0.3670422696827526]
  EventDropは、ディープモデルの一般化を改善するために非同期イベントデータを拡張するための新しい方法である。 現実的には、EventDropは実装が簡単で、計算コストも低い。
  論文  参考訳（メタデータ） (2021-06-07T11:53:14Z)
• Scalable Differentiable Physics for Learning and Control [99.4302215142673]
  微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。 我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-07-04T19:07:51Z)
• A reinforcement learning approach to rare trajectory sampling [0.0]
  非定型事象を効率的にサンプリングするダイナミクスを適応的に構築する一般的な手法を提案する。 我々は、最適な振る舞いを見つけることを目的とした機械学習手法のセットを指す強化学習(RL)の手法を利用する。 ここでは、連続時間マルコフ系、第一通過時間問題、非マルコフ力学などのアイデアの自然な拡張について論じる。
  論文  参考訳（メタデータ） (2020-05-26T17:29:01Z)

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。