論文の概要: Semi-Equivariant GNN Architectures for Jet Tagging

• arxiv url: http://arxiv.org/abs/2202.06941v1
• Date: Mon, 14 Feb 2022 18:57:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-15 18:16:56.233743
• Title: Semi-Equivariant GNN Architectures for Jet Tagging
• Title（参考訳）: ジェットタグ用半不変GNNアーキテクチャ
• Authors: Daniel Murnane, Savannah Thais and Jason Wong
• Abstract要約: 本稿では,対称性検査と非制約演算を組み合わせた新しいアーキテクチャVecNetを提案し,物理インフォームドGNNの程度を学習・調整する。 私たちのような一般化されたアーキテクチャは、リソース制約のあるアプリケーションで最適なパフォーマンスを提供できることが分かりました。
• 参考スコア（独自算出の注目度）: 1.6626046865692057
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Composing Graph Neural Networks (GNNs) of operations that respect physical symmetries has been suggested to give better model performance with a smaller number of learnable parameters. However, real-world applications, such as in high energy physics have not born this out. We present the novel architecture VecNet that combines both symmetry-respecting and unconstrained operations to study and tune the degree of physics-informed GNNs. We introduce a novel metric, the \textit{ant factor}, to quantify the resource-efficiency of each configuration in the search-space. We find that a generalized architecture such as ours can deliver optimal performance in resource-constrained applications.
• Abstract（参考訳）: 物理対称性を尊重する演算のグラフニューラルネットワーク(GNN)を構成することで、学習可能なパラメータの少ないモデル性能が向上することが示唆されている。 しかし、高エネルギー物理学のような実世界の応用はこの段階から生まれていない。 本稿では,対称性検査と非制約演算を組み合わせた新しいアーキテクチャVecNetを提案し,物理インフォームドGNNの程度を学習・調整する。 探索空間における各構成のリソース効率を定量化するために、新しい計量である \textit{ant factor} を導入する。 私たちのような汎用アーキテクチャは、リソース制約のあるアプリケーションで最適なパフォーマンスを提供できることが分かりました。

関連論文リスト

• Optimal Equivariant Architectures from the Symmetries of Matrix-Element Likelihoods [0.0]
  マトリックス要素法(MEM)は長年、高エネルギー物理学におけるデータ解析の基盤となっている。 幾何学的なディープラーニングは、既知の対称性を直接設計に組み込むニューラルネットワークアーキテクチャを可能にした。 本稿では、MEMにインスパイアされた対称性と、粒子物理解析のための同変ニューラルネットワーク設計を組み合わせた新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-24T08:56:37Z)
• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• A quatum inspired neural network for geometric modeling [14.214656118952178]
  本稿では,MPSベースのメッセージパッシング戦略を提案する。 本手法は,多体関係を効果的にモデル化し,平均場近似を抑える。 これは幾何学的GNNに固有の標準メッセージパッシングおよびレイヤ集約モジュールをシームレスに置き換える。
  論文  参考訳（メタデータ） (2024-01-03T15:59:35Z)
• 19 Parameters Is All You Need: Tiny Neural Networks for Particle Physics [52.42485649300583]
  本稿では,ローレンツ型および置換対称型アーキテクチャPELICANの低遅延ニューラルネットワークへの応用の可能性を示す。 トップクォークジェットタグのバイナリ分類タスクと比較すると,最大19のトレーニング可能なパラメータで,数万のパラメータでジェネリックアーキテクチャを上回る性能を示す。
  論文  参考訳（メタデータ） (2023-10-24T18:51:22Z)
• FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
  データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。 本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
  論文  参考訳（メタデータ） (2023-04-28T21:48:31Z)
• Equivariant Graph Neural Networks for Charged Particle Tracking [1.6626046865692057]
  EuclidNetは荷電粒子追跡のための新しい対称性等価GNNである。 TrackMLデータセット上の最先端のインタラクションネットワークに対してベンチマークを行う。 以上の結果から,EuclidNetは小規模なモデルスケールでほぼ最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-04-11T15:43:32Z)
• Connectivity Optimized Nested Graph Networks for Crystal Structures [1.1470070927586016]
  グラフニューラルネットワーク(GNN)は、材料科学や化学における様々な応用に応用されている。 提案したモデルでは,MateBenchベンチマークのすべてのタスクにおいて,最新の結果が体系的に改善されることが示されている。
  論文  参考訳（メタデータ） (2023-02-27T19:26:48Z)
• PELICAN: Permutation Equivariant and Lorentz Invariant or Covariant Aggregator Network for Particle Physics [64.5726087590283]
  本稿では,全6次元ローレンツ対称性に対して最大で還元された入力の集合を用いた機械学習アーキテクチャを提案する。 結果として得られたネットワークは、モデル複雑さがはるかに低いにもかかわらず、既存の競合相手すべてを上回っていることを示す。
  論文  参考訳（メタデータ） (2022-11-01T13:36:50Z)
• A Comprehensive Study on Large-Scale Graph Training: Benchmarking and Rethinking [124.21408098724551]
  グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である 本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。 提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
  論文  参考訳（メタデータ） (2022-10-14T03:43:05Z)
• Universal approximation property of invertible neural networks [76.95927093274392]
  Invertible Neural Network (INN) は、設計によって可逆性を持つニューラルネットワークアーキテクチャである。 その可逆性とヤコビアンのトラクタビリティのおかげで、IGNは確率的モデリング、生成的モデリング、表現的学習など、さまざまな機械学習応用がある。
  論文  参考訳（メタデータ） (2022-04-15T10:45:26Z)

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。