Fugu-MT 論文翻訳(概要): A survey of machine learning-based physics event generation

論文の概要: A survey of machine learning-based physics event generation

arxiv url: http://arxiv.org/abs/2106.00643v1
Date: Tue, 1 Jun 2021 17:23:15 GMT
ステータス: 処理完了
システム内更新日: 2021-06-02 13:58:58.637552
Title: A survey of machine learning-based physics event generation
Title（参考訳）: 機械学習に基づく物理イベント生成に関する調査
Authors: Yasir Alanazi, N. Sato, Pawel Ambrozewicz, Astrid N. Hiller Blin, W. Melnitchouk, Marco Battaglieri, Tianbo Liu, Yaohang Li
Abstract要約: 高エネルギー核・粒子物理学におけるイベントジェネレータは、粒子反応の研究を促進する上で重要な役割を果たしている。物理イベントジェネレータの構築における機械学習(ML)の取り組みについて概観する。本稿では、これらの課題を克服するために、MLモデル設計に物理を組み込む様々なアプローチについて論じる。
参考スコア（独自算出の注目度）: 2.9903137981116723
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Event generators in high-energy nuclear and particle physics play an important role in facilitating studies of particle reactions. We survey the state-of-the-art of machine learning (ML) efforts at building physics event generators. We review ML generative models used in ML-based event generators and their specific challenges, and discuss various approaches of incorporating physics into the ML model designs to overcome these challenges. Finally, we explore some open questions related to super-resolution, fidelity, and extrapolation for physics event generation based on ML technology.
Abstract（参考訳）: 高エネルギー核および素粒子物理学における事象生成子は、粒子反応の研究を促進する上で重要な役割を果たす。物理イベントジェネレータの構築における機械学習(ML)の取り組みの現状について調査する。 MLベースのイベントジェネレータで使用されるML生成モデルとその特定の課題について検討し、これらの課題を克服するために、MLモデル設計に物理を組み込む様々なアプローチについて議論する。最後に,ML技術に基づく物理イベント生成のための超解像,忠実度,外挿に関するオープンな質問について検討する。

関連論文リスト

FAIR Universe HiggsML Uncertainty Challenge Competition [36.14382659363543]
HiggsML Uncertainty Challengeは、不完全なシミュレータによる素粒子の物理特性の測定に焦点を当てている。課題は、データセットの共有、トレーニングモデル、マシンラーニングコンペのホスティングに、大規模なAIプラットフォームを活用することだ。
論文参考訳（メタデータ） (2024-10-03T18:01:12Z)
Machine Learning Applications to Computational Plasma Physics and Reduced-Order Plasma Modeling: A Perspective [0.0]
このパースペクティブは、流体力学における機械学習の進歩を計算プラズマ物理学に転送するためのロードマップを概説することを目的としている。まず、MLアルゴリズムの様々なカテゴリや、MLの助けを借りて解決できるさまざまなタイプの問題など、MLの基本的な側面について議論する。次に,計算流体力学におけるMLの使用例について述べる。
論文参考訳（メタデータ） (2024-09-04T00:35:55Z)
Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
論文参考訳（メタデータ） (2024-08-22T07:33:11Z)
Discussing the Spectrum of Physics-Enhanced Machine Learning; a Survey on Structural Mechanics Applications [3.430730454702436]
物理学と機械学習の交わりは、物理学の強化された機械学習(PEML)パラダイムを生み出した。 PEMLは、データまたは物理のみの手法の能力を向上し、個々の欠点を減らすことを目的としている。本論文は, 科学・工学研究の限界を推し進める上で, PEMLの重要性を浮き彫りにするものである。
論文参考訳（メタデータ） (2023-10-31T12:50:25Z)
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)
Physics Embedded Machine Learning for Electromagnetic Data Imaging [83.27424953663986]
電磁法(EM)イメージングは、セキュリティ、バイオメディシン、地球物理学、各種産業のセンシングに広く応用されている。機械学習(ML)技術,特に深層学習(DL)技術は,高速かつ正確な画像化の可能性を秘めている。本稿では、学習に基づくEMイメージングに物理を取り入れる様々なスキームについて検討する。
論文参考訳（メタデータ） (2022-07-26T02:10:15Z)
When Physics Meets Machine Learning: A Survey of Physics-Informed Machine Learning [14.296078151381591]
物理インフォームド機械学習(PIML)は、トレーニングデータの不足を軽減し、モデルの一般化性を高め、結果の物理的妥当性を確保する効果的な方法である。 1)PIMLの動機,(2)PIMLの物理知識,(3)PIMLの物理知識統合の方法の3つの側面から,PIMLにおける最近の多くの研究を概説する。
論文参考訳（メタデータ） (2022-03-31T04:58:27Z)
Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
古典力学の先行概念を機械学習モデルに統合する手法が提案されている。これらのモデルの現在の機能について、精査する。連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
論文参考訳（メタデータ） (2021-11-09T23:48:21Z)
Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文参考訳（メタデータ） (2021-06-24T15:58:57Z)
Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文参考訳（メタデータ） (2021-02-25T20:28:52Z)
Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。