論文の概要: Differentiable Matrix Elements with MadJax
- arxiv url: http://arxiv.org/abs/2203.00057v1
- Date: Mon, 28 Feb 2022 19:53:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-03 04:56:19.326210
- Title: Differentiable Matrix Elements with MadJax
- Title（参考訳）: MadJax を用いた微分行列要素
- Authors: Lukas Heinrich and Michael Kagan
- Abstract要約: MadJaxは高エネルギー散乱過程の微分可能な行列要素の生成と評価のためのツールである。
これは高エネルギー物理学における微分可能プログラミングパラダイムへの一歩である。
- 参考スコア（独自算出の注目度）: 2.182860197562025
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: MadJax is a tool for generating and evaluating differentiable matrix elements
of high energy scattering processes. As such, it is a step towards a
differentiable programming paradigm in high energy physics that facilitates the
incorporation of high energy physics domain knowledge, encoded in simulation
software, into gradient based learning and optimization pipelines. MadJax
comprises two components: (a) a plugin to the general purpose matrix element
generator MadGraph that integrates matrix element and phase space sampling code
with the JAX differentiable programming framework, and (b) a standalone
wrapping API for accessing the matrix element code and its gradients, which are
computed with automatic differentiation. The MadJax implementation and example
applications of simulation based inference and normalizing flow based matrix
element modeling, with capabilities enabled uniquely with differentiable matrix
elements, are presented.
- Abstract（参考訳）: MadJaxは高エネルギー散乱過程の微分可能な行列要素の生成と評価のためのツールである。
そのため、高エネルギー物理学における微分可能プログラミングパラダイムは、シミュレーションソフトウェアで符号化された高エネルギー物理学領域の知識を勾配に基づく学習と最適化パイプラインに組み込むのに役立つ。
MadJaxは2つのコンポーネントから構成される。
(a) 汎用マトリックス要素生成器MadGraphへのプラグインで、行列要素と位相空間サンプリングコードをJAX微分可能なプログラミングフレームワークに統合し、
(b)行列要素のコードとその勾配にアクセスするためのスタンドアロンラッピングapiで、自動微分で計算される。
madjaxの実装とシミュレーションに基づく推論と、微分可能な行列要素で一意に実現可能なフローベースのマトリックス要素モデリングの例を示す。
関連論文リスト
- Efficient Adaptation of Pre-trained Vision Transformer via Householder Transformation [53.88562288388169]
一般的な戦略である。
事前訓練された視覚変換器(ViT)のPEFT(Efficient Fine-Tuning)は、下流タスクにモデルを適応させる。
適応行列を表現するために,Singular Value Decomposition (SVD) にインスパイアされた新しいPEFT手法を提案する。
SVDは行列を左ユニタリ行列、スケーリング値の対角行列、右ユニタリ行列の積に分解する。
論文 参考訳（メタデータ） (2024-10-30T12:08:30Z) - Incorporating Arbitrary Matrix Group Equivariance into KANs [69.30866522377694]
Kolmogorov-Arnold Networks (KAN) は科学分野で大きな成功を収めている。
しかし、スプライン関数は、機械学習において重要な事前知識であるタスクの対称性を尊重しないかもしれない。
本研究では,Equivariant Kolmogorov-Arnold Networks (EKAN)を提案する。
論文 参考訳（メタデータ） (2024-10-01T06:34:58Z) - Matrix-Free Jacobian Chaining [0.0]
大規模モジュラー数値シミュレーションプログラムは、対応する要素ジャコビアンを持つ微分可能部分プログラムの評価のシーケンスと見なすことができる。
古典的(ヤコビアン)行列鎖積問題(ヤコビアン)は、行列自由ヤコビ行列(タンジェント)と行列-ヤコビ積(随伴体)で再帰される。
すべての数値結果は、オープンソースの参照実装を使って再現できる。
論文 参考訳（メタデータ） (2024-04-11T10:24:25Z) - Bauer's Spectral Factorization Method for Low Order Multiwavelet Filter
Design [0.6138671548064355]
本稿では,Bauer$'$s法に基づく行列スペクトルの高速分解法を提案する。
バウアー法を非線形行列方程式(NME)に変換する
NMEは2つの異なる数値アルゴリズムによって解決される。
論文 参考訳（メタデータ） (2023-12-09T00:26:52Z) - Classification of BCI-EEG based on augmented covariance matrix [0.0]
本稿では,運動画像分類の改善を目的とした自己回帰モデルから抽出した拡張共分散に基づく新しいフレームワークを提案する。
私たちはMOABBフレームワークを使って、いくつかのデータセットといくつかの主題でアプローチを検証します。
論文 参考訳（メタデータ） (2023-02-09T09:04:25Z) - Combinatory Adjoints and Differentiation [0.0]
機能解析におけるカテゴリー構造に基づく自動的および記号的微分のための構成的アプローチを開発する。
本稿では,線形関数を生成する微分計算を用いて,記号的および自動微分が可能であることを示す。
また、行列を使わずに微分の随伴を記号的に計算する計算も提供する。
論文 参考訳（メタデータ） (2022-07-02T14:34:54Z) - A quantum algorithm for solving eigenproblem of the Laplacian matrix of
a fully connected weighted graph [4.045204834863644]
完全連結重み付きグラフのラプラシア行列の固有確率を解くための効率的な量子アルゴリズムを提案する。
具体的には,ブロック符号化フレームワークに基づく最適ハミルトンシミュレーション手法を採用する。
また、このアルゴリズムは対称(非対称)正規化ラプラス行列の固有確率を解くために拡張可能であることを示す。
論文 参考訳（メタデータ） (2022-03-28T02:24:08Z) - Fast Differentiable Matrix Square Root and Inverse Square Root [65.67315418971688]
微分可能な行列平方根と逆平方根を計算するためのより効率的な2つの変種を提案する。
前方伝搬には, Matrix Taylor Polynomial (MTP) を用いる方法と, Matrix Pad'e Approximants (MPA) を使用する方法がある。
一連の数値実験により、両方の手法がSVDやNSの繰り返しと比較してかなりスピードアップすることが示された。
論文 参考訳（メタデータ） (2022-01-29T10:00:35Z) - Fast Differentiable Matrix Square Root [65.67315418971688]
微分可能な行列平方根を計算するために、より効率的な2つの変種を提案する。
前方伝播には, Matrix Taylor Polynomial (MTP) を用いる方法がある。
もう1つの方法は Matrix Pad'e Approximants (MPA) を使うことである。
論文 参考訳（メタデータ） (2022-01-21T12:18:06Z) - Non-Markovian Stochastic Schr\"odinger Equation: Matrix Product State
Approach to the Hierarchy of Pure States [65.25197248984445]
開有限温度における非マルコフ力学に対する行列積状態(HOMPS)の階層を導出する。
HOMPSの有効性と効率性はスピン-ボソンモデルと長鎖に対して示され、各部位は構造化された強非マルコフ環境に結合する。
論文 参考訳（メタデータ） (2021-09-14T01:47:30Z) - Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。
FNMFはその重要性に応じて特徴の重みを適応的に学習する。
提案する最適化アルゴリズムを用いて効率的に解くことができる。
論文 参考訳（メタデータ） (2021-03-24T21:17:17Z)
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。