Fugu-MT 論文翻訳(概要): High-precision regressors for particle physics

論文の概要: High-precision regressors for particle physics

arxiv url: http://arxiv.org/abs/2302.00753v1
Date: Thu, 2 Feb 2023 16:55:12 GMT
ステータス: 処理完了
システム内更新日: 2023-02-03 16:18:12.136175
Title: High-precision regressors for particle physics
Title（参考訳）: 粒子物理学のための高精度回帰器
Authors: Fady Bishara, Ayan Paul, and Jennifer Dy
Abstract要約: CERNの大型ハドロン衝突型加速器のような粒子衝突器における物理過程のモンテカルロシミュレーションは、計算予算の大部分を占めている。シミュレーション毎のデータポイントの必要な数は109ドル - 1012ドルなので、物理シミュレータの代わりに機械学習回帰器を使うことができる。これらの回帰器はモンテカルロシミュレーションで現在使われている第一原理計算よりも 103$ - 106$ の係数でシミュレーションを高速化できることを示す。
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: Monte Carlo simulations of physics processes at particle colliders like the Large Hadron Collider at CERN take up a major fraction of the computational budget. For some simulations, a single data point takes seconds, minutes, or even hours to compute from first principles. Since the necessary number of data points per simulation is on the order of $10^9$ - $10^{12}$, machine learning regressors can be used in place of physics simulators to significantly reduce this computational burden. However, this task requires high-precision regressors that can deliver data with relative errors of less than $1\%$ or even $0.1\%$ over the entire domain of the function. In this paper, we develop optimal training strategies and tune various machine learning regressors to satisfy the high-precision requirement. We leverage symmetry arguments from particle physics to optimize the performance of the regressors. Inspired by ResNets, we design a Deep Neural Network with skip connections that outperform fully connected Deep Neural Networks. We find that at lower dimensions, boosted decision trees far outperform neural networks while at higher dimensions neural networks perform significantly better. We show that these regressors can speed up simulations by a factor of $10^3$ - $10^6$ over the first-principles computations currently used in Monte Carlo simulations. Additionally, using symmetry arguments derived from particle physics, we reduce the number of regressors necessary for each simulation by an order of magnitude. Our work can significantly reduce the training and storage burden of Monte Carlo simulations at current and future collider experiments.
Abstract（参考訳）: CERNの大型ハドロン衝突型加速器のような粒子衝突器における物理過程のモンテカルロシミュレーションは、計算予算の大部分を占めている。いくつかのシミュレーションでは、最初の原則から計算するのに数秒、数分、あるいは数時間かかる。シミュレーション毎に必要となるデータポイント数は10^9$ -10^{12}$であるので、この計算負担を大幅に軽減するために、物理シミュレータの代わりに機械学習レグレシタを使用することができる。しかし、このタスクは、関数のドメイン全体にわたって1\%$または0.1\%$以下の相対誤差でデータを配信できる高精度な回帰器を必要とする。本稿では,高精度要件を満たすため,最適な学習戦略を開発し,各種機械学習回帰器をチューニングする。素粒子物理学の対称性の議論を利用してレグレッサーの性能を最適化する。 ResNetsにインスパイアされた我々は、完全に接続されたディープニューラルネットワークよりも優れたスキップ接続を備えたディープニューラルネットワークを設計した。低次元の意思決定木はニューラルネットワークをはるかに上回り、高次元のニューラルネットワークは極めて優れたパフォーマンスを示すことが分かりました。これらの回帰器はモンテカルロシミュレーションで現在使われている第一原理計算よりも10^3$ -10^6$でシミュレーションを高速化できることを示す。さらに、粒子物理学から導かれる対称性の引数を用いて、各シミュレーションに必要な回帰器の数を桁違いに削減する。我々の研究は、現在および将来の衝突実験におけるモンテカルロシミュレーションの訓練と貯蔵の負担を大幅に削減することができる。

関連論文リスト

Cosmological Analysis with Calibrated Neural Quantile Estimation and Approximate Simulators [0.0]
我々は,多数の近似シミュレーションをトレーニングに利用し,少数の高忠実度シミュレーションをキャリブレーションに利用した新しいシミュレーションベース推論(SBI)手法を提案する。概念の証明として、2次元暗黒物質密度写像から、z=0$で$k_rm maxsim1.5,h$/Mpcまでの距離で宇宙的パラメータを推定できることが示される。キャリブレーション後部は、$sim104$ expensive Particle-Particle (PP) シミュレーションの直接トレーニングにより得られたものとよく一致するが、計算コストのごく一部で一致する。
論文参考訳（メタデータ） (2024-11-22T05:53:46Z)
SparseProp: Efficient Event-Based Simulation and Training of Sparse Recurrent Spiking Neural Networks [4.532517021515834]
Spiking Neural Networks(SNN)は、生物学的にインスパイアされたモデルであり、アクションポテンシャルのストリームで情報を処理できる。 SparsePropはスパースSNNをシミュレートし、訓練するための新しいイベントベースアルゴリズムである。
論文参考訳（メタデータ） (2023-12-28T18:48:10Z)
Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
論文参考訳（メタデータ） (2023-11-05T11:48:08Z)
Machine Learning methods for simulating particle response in the Zero Degree Calorimeter at the ALICE experiment, CERN [8.980453507536017]
現在、CERN GRIDの計算能力の半分以上が高エネルギー物理シミュレーションに使われている。大型ハドロン衝突型加速器(LHC)の最新情報により、より効率的なシミュレーション手法の開発の必要性が高まっている。機械学習を利用した問題に対する代替手法を提案する。
論文参考訳（メタデータ） (2023-06-23T16:45:46Z)
Fast emulation of cosmological density fields based on dimensionality reduction and supervised machine-learning [0.0]
簡単な機械学習手法を用いて,高速暗黒物質密度場エミュレーションを競合精度で実行可能であることを示す。異なる宇宙パラメータに対する新しい密度立方体は、新しいN体シミュレーションに直接頼らずに推定できる。
論文参考訳（メタデータ） (2023-04-12T18:29:26Z)
NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文参考訳（メタデータ） (2023-02-20T19:36:52Z)
Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
今後のエクサスケール時代は次世代の物理シミュレーションを高解像度で提供しますこれらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文参考訳（メタデータ） (2022-11-09T09:55:14Z)
A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文参考訳（メタデータ） (2021-07-19T23:41:03Z)
Reduced Precision Strategies for Deep Learning: A High Energy Physics Generative Adversarial Network Use Case [0.19788841311033123]
ディープラーニングをより効率的にするための有望なアプローチは、ニューラルネットワークのパラメータを量子化し、精度を下げることである。本稿では,複雑な深層生成型逆ネットワークモデルに対する低精度推論の効果を解析する。
論文参考訳（メタデータ） (2021-03-18T10:20:23Z)
Data-Efficient Learning for Complex and Real-Time Physical Problem Solving using Augmented Simulation [49.631034790080406]
本稿では,大理石を円形迷路の中心まで航行する作業について述べる。実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
論文参考訳（メタデータ） (2020-11-14T02:03:08Z)
Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。 NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文参考訳（メタデータ） (2020-02-25T19:18:36Z)

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。