論文の概要: Learning Physics from the Machine: An Interpretable Boosted Decision
Tree Analysis for the Majorana Demonstrator
- arxiv url: http://arxiv.org/abs/2207.10710v1
- Date: Thu, 21 Jul 2022 18:49:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-25 13:50:15.717016
- Title: Learning Physics from the Machine: An Interpretable Boosted Decision
Tree Analysis for the Majorana Demonstrator
- Title(参考訳): 機械から物理を学ぶ:Majorana Demonstratorのための解釈可能な昇降木解析
- Authors: I.J. Arnquist, F.T. Avignone III, A.S. Barabash, C.J. Barton, K.H.
Bhimani, E. Blalock, B. Bos, M. Busch, M. Buuck, T.S. Caldwell, Y-D. Chan,
C.D. Christofferson, P.-H. Chu, M.L. Clark, C. Cuesta, J.A. Detwiler, Yu.
Efremenko, S.R. Elliott, G.K. Giovanetti, M.P. Green, J. Gruszko, I.S. Guinn,
V.E. Guiseppe, C.R. Haufe, R. Henning, D. Hervas Aguilar, E.W. Hoppe, A.
Hostiuc, M.F. Kidd, I. Kim, R.T. Kouzes, T.E. Lannen V, A. Li, J.M.
Lopez-Castano, E.L. Martin, R.D. Martin, R. Massarczyk, S.J. Meijer, T.K.
Oli, G. Othman, L.S. Paudel, W. Pettus, A.W.P. Poon, D.C. Radford, A.L.
Reine, K. Rielage, N.W. Ruof, D.C. Schaper, D. Tedeschi, R.L. Varner, S.
Vasilyev, J.F. Wilkerson, C. Wiseman, W. Xu, C.-H. Yu
- Abstract要約: マヨラナ・デモレーター(Majorana Demonstrator)は、高純度ゲルマニウム検出器でニュートリノのない二重ベータ崩壊を探索する主要な実験である。
機械学習は、これらの検出器が提供する情報の量を最大化する新しい方法を提供する。
解釈可能性に関する研究では、マシンの意思決定ロジックを明らかにし、マシンから学習して従来の分析にフィードバックすることができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Majorana Demonstrator is a leading experiment searching for neutrinoless
double-beta decay with high purity germanium detectors (HPGe). Machine learning
provides a new way to maximize the amount of information provided by these
detectors, but the data-driven nature makes it less interpretable compared to
traditional analysis. An interpretability study reveals the machine's
decision-making logic, allowing us to learn from the machine to feedback to the
traditional analysis. In this work, we have presented the first machine
learning analysis of the data from the Majorana Demonstrator; this is also the
first interpretable machine learning analysis of any germanium detector
experiment. Two gradient boosted decision tree models are trained to learn from
the data, and a game-theory-based model interpretability study is conducted to
understand the origin of the classification power. By learning from data, this
analysis recognizes the correlations among reconstruction parameters to further
enhance the background rejection performance. By learning from the machine,
this analysis reveals the importance of new background categories to
reciprocally benefit the standard Majorana analysis. This model is highly
compatible with next-generation germanium detector experiments like LEGEND
since it can be simultaneously trained on a large number of detectors.
- Abstract(参考訳): majorana demonstratorは、高純度ゲルマニウム検出器(hpge)を用いて、ニュートリノのない二重ベータ崩壊を探索する主要な実験である。
機械学習は、これらの検出器が提供する情報量を最大化する新しい方法を提供するが、データ駆動型の性質は従来の分析に比べて解釈しにくくする。
解釈可能性に関する研究では、マシンの意思決定ロジックを明らかにし、マシンから学習して従来の分析にフィードバックすることができる。
本研究では,マヨルダナデモンストラクタから得られたデータについて,最初の機械学習解析を行った。また,ゲルマニウム検出器実験の解釈可能な機械学習解析も初めてである。
データから学習するために2つの勾配ブースト決定木モデルを訓練し、分類力の起源を理解するためにゲーム理論に基づくモデル解釈可能性の研究を行う。
データから学習することにより、再構成パラメータ間の相関を認識し、背景拒絶性能をさらに高める。
マシンから学習することで、標準的なMajorana分析を相互に活用するために、新しい背景カテゴリの重要性が明らかになる。
このモデルは、多数の検出器で同時に訓練できるため、レジェンドのような次世代ゲルマニウム検出器実験と高い互換性がある。
関連論文リスト
- Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-03T06:19:20Z) - Metric Tools for Sensitivity Analysis with Applications to Neural
Networks [0.0]
説明可能な人工知能(XAI)は、機械学習モデルによる予測の解釈を提供することを目的としている。
本稿では,計量手法を用いてMLモデルの感性を研究するための理論的枠組みを提案する。
$alpha$-curvesと呼ばれる新しいメトリクスの完全なファミリーが抽出される。
論文 参考訳(メタデータ) (2023-05-03T18:10:21Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Trustworthiness of Laser-Induced Breakdown Spectroscopy Predictions via
Simulation-based Synthetic Data Augmentation and Multitask Learning [4.633997895806144]
レーザ誘起分解分光法を用いてスペクトルデータの定量的解析を行う。
我々は、利用可能なトレーニングデータの小さなサイズと、未知のデータに対する推論中の予測の検証に対処する。
論文 参考訳(メタデータ) (2022-10-07T18:00:09Z) - The Preliminary Results on Analysis of TAIGA-IACT Images Using
Convolutional Neural Networks [68.8204255655161]
本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。
The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
論文 参考訳(メタデータ) (2021-12-19T15:17:20Z) - Understanding Attention in Machine Reading Comprehension [56.72165932439117]
本稿では,多面的自己意識と最終的なパフォーマンスとの関係を検討するために,一連の分析実験を実施することに焦点を当てる。
SQuAD(英語)とCMRC 2018(中国語)の定量的解析を行い、BERT, ALBERT, ELECTRAの2つのスパン抽出MCCデータセットについて検討した。
本研究は, 問合せ及び問合せに対する注意が最重要であり, 最終結果と強い相関関係を示すものであることを明らかにする。
論文 参考訳(メタデータ) (2021-08-26T04:23:57Z) - Beyond Cuts in Small Signal Scenarios -- Enhanced Sneutrino
Detectability Using Machine Learning [0.0]
我々は2つの異なるモデル、XGBoostとディープニューラルネットワークを使用して、可観測物間の相関を利用しています。
モデルの出力を分析する異なる手法を検討し、テンプレートの適合が単純なカットよりも一般的に優れていることを発見した。
論文 参考訳(メタデータ) (2021-08-06T13:48:19Z) - Hessian-based toolbox for reliable and interpretable machine learning in
physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。
与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。
我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文 参考訳(メタデータ) (2021-08-04T16:32:59Z) - Measuring and modeling the motor system with machine learning [117.44028458220427]
モーターシステムの理解における機械学習の有用性は、データの収集、測定、分析の方法に革命をもたらすことを約束している。
本稿では, ポーズ推定, 運動解析, 次元減少, 閉ループフィードバックから, ニューラル相関の理解, 機能停止まで, 機械学習の利用の増大について論じる。
論文 参考訳(メタデータ) (2021-03-22T12:42:16Z) - Correlator Convolutional Neural Networks: An Interpretable Architecture
for Image-like Quantum Matter Data [15.283214387433082]
本研究では,物理オブザーバブルの観点から直接解釈可能なデータの特徴を発見するネットワークアーキテクチャを開発する。
私たちのアプローチは、シンプルでエンドツーエンドの解釈可能なアーキテクチャの構築に役立ちます。
論文 参考訳(メタデータ) (2020-11-06T17:04:10Z)
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。