論文の概要: Shared Data and Algorithms for Deep Learning in Fundamental Physics

• arxiv url: http://arxiv.org/abs/2107.00656v1
• Date: Thu, 1 Jul 2021 18:00:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-05 12:55:52.652049
• Title: Shared Data and Algorithms for Deep Learning in Fundamental Physics
• Title（参考訳）: 基礎物理学における深層学習のための共有データとアルゴリズム
• Authors: Lisa Benato, Erik Buhmann, Martin Erdmann, Peter Fackeldey, Jonas Glombitza, Nikolai Hartmann, Gregor Kasieczka, William Korcari, Thomas Kuhr, Jan Steinheimer, Horst St\"ocker, Tilman Plehn and Kai Zhou
• Abstract要約: 我々は、素粒子物理学、天体物理学、ハドロン物理学、核物理学を含む基礎物理学研究のデータセットの収集を紹介する。 これらのデータセットは、トップクォーク、宇宙線による大気シャワー、ハドロン物質の相転移、およびジェネレータレベルの履歴を含む。 我々は、広範囲の教師付き学習タスクに容易に適用可能な、単純で柔軟なグラフベースのニューラルネットワークアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 4.914920952758052
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a collection of datasets from fundamental physics research -- including particle physics, astroparticle physics, and hadron- and nuclear physics -- for supervised machine learning studies. These datasets, containing hadronic top quarks, cosmic-ray induced air showers, phase transitions in hadronic matter, and generator-level histories, are made public to simplify future work on cross-disciplinary machine learning and transfer learning in fundamental physics. Based on these data, we present a simple yet flexible graph-based neural network architecture that can easily be applied to a wide range of supervised learning tasks in these domains. We show that our approach reaches performance close to state-of-the-art dedicated methods on all datasets. To simplify adaptation for various problems, we provide easy-to-follow instructions on how graph-based representations of data structures, relevant for fundamental physics, can be constructed and provide code implementations for several of them. Implementations are also provided for our proposed method and all reference algorithms.
• Abstract（参考訳）: 我々は、素粒子物理学、天体物理学、ハドロン物理学、原子核物理学を含む基礎物理学研究のデータセットを教師あり機械学習研究に導入する。 これらのデータセットは、ハドロン系トップクォーク、宇宙線誘起エアシャワー、ハドロン系物質の相転移、およびジェネレータレベルのヒストリーを含み、基礎物理学における学際的機械学習と転移学習の今後の研究を単純化するために公開されている。 これらのデータに基づいて,これらの領域の幅広い教師付き学習タスクに容易に適用可能な,単純かつ柔軟なグラフベースのニューラルネットワークアーキテクチャを提案する。 提案手法は,全データセットの最先端専用手法に近い性能を示す。 様々な問題への適応を簡略化するために,基本物理学に関連するデータ構造のグラフベースの表現をどのように構築し,その中からコード実装を提供するか,簡単に追跡できる指示を提供する。 提案手法と参照アルゴリズムにも実装が提供されている。

関連論文リスト

• Flex: End-to-End Text-Instructed Visual Navigation with Foundation Models [59.892436892964376]
  本稿では,視覚に基づく制御ポリシを用いて,ロバストな閉ループ性能を実現するために必要な最小限のデータ要件とアーキテクチャ適応について検討する。 この知見はFlex (Fly-lexically) で合成され,VLM(Vision Language Models) をフリーズしたパッチワイド特徴抽出器として利用するフレームワークである。 本研究では,本手法が4段階のフライ・トゥ・ターゲットタスクにおいて有効であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T19:59:31Z)
• Data Augmentations in Deep Weight Spaces [89.45272760013928]
  そこで本研究では,Mixup法に基づく新しい拡張手法を提案する。 既存のベンチマークと新しいベンチマークでこれらのテクニックのパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2023-11-15T10:43:13Z)
• A Survey on Physics Informed Reinforcement Learning: Review and Open Problems [25.3906503332344]
  本稿では,強化学習アプローチにおける物理情報の導入に関する文献を概説する。 既存の研究を分類するためのバックボーンとして強化学習パイプラインを用いた新しい分類法を導入する。 この初期段階の分野は、実世界のシナリオにおける物理的な妥当性、精度、データ効率、適用性を高めて強化学習アルゴリズムを強化する大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-09-05T02:45:18Z)
• Neural Embedding: Learning the Embedding of Manifold of Physics Data [5.516715115797386]
  多くのアプリケーションのデータ分析パイプラインにおいて、これは強力なステップになり得ることを示す。 我々は,コライダー物理におけるモデル探索アルゴリズムの真の探索能力を定量化するための有効なソリューションを初めて提供する。
  論文  参考訳（メタデータ） (2022-08-10T18:00:00Z)
• Physically Explainable CNN for SAR Image Classification [59.63879146724284]
  本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。 提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。 実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2021-10-27T03:30:18Z)
• An extended physics informed neural network for preliminary analysis of parametric optimal control problems [0.0]
  本研究では、パラメトリック偏微分方程式に対する教師付き学習戦略の拡張を提案する。 我々の主な目標は、パラメトリケート現象を短時間でシミュレートする物理情報学習パラダイムを提供することです。
  論文  参考訳（メタデータ） (2021-10-26T09:39:05Z)
• 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)
• 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)
• Graph signal processing for machine learning: A review and new perspectives [57.285378618394624]
  本稿では,GSPの概念とツール,例えばグラフフィルタや変換による新しい機械学習アルゴリズム開発への重要な貢献について概説する。 本稿では,データ構造とリレーショナル事前の活用,データと計算効率の向上,モデル解釈可能性の向上について論じる。 我々は,応用数学と信号処理の橋渡しとなるGSP技術と,他方の機械学習とネットワーク科学の橋渡しとなる新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-07-31T13:21:33Z)
• Physical reservoir computing -- An introductory perspective [0.0]
  物理貯水池計算は、物理系の複雑な力学を情報処理装置として利用することができる。 本稿では,ソフトロボティクスの例を用いて,フレームワークの可能性を説明する。
  論文  参考訳（メタデータ） (2020-05-03T05:39:06Z)
• Gradient-Based Training and Pruning of Radial Basis Function Networks with an Application in Materials Physics [0.24792948967354234]
  本稿では,高速かつスケーラブルなオープンソース実装による放射状基底関数ネットワークのトレーニング手法を提案する。 連立データと連立データのモデル解析のための新しいクローズドフォーム最適化基準を導出する。
  論文  参考訳（メタデータ） (2020-04-06T11:32:37Z)

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。