論文の概要: End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics

• arxiv url: http://arxiv.org/abs/2305.10399v1
• Date: Wed, 17 May 2023 17:43:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-18 14:30:19.240352
• Title: End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics
• Title（参考訳）: 高エネルギー物理における逆問題に対する終端変分拡散モデル
• Authors: Alexander Shmakov, Kevin Greif, Michael Fenton, Aishik Ghosh, Pierre Baldi, Daniel Whiteson
• Abstract要約: 本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。 我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
• 参考スコア（独自算出の注目度）: 61.44793171735013
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: High-energy collisions at the Large Hadron Collider (LHC) provide valuable insights into open questions in particle physics. However, detector effects must be corrected before measurements can be compared to certain theoretical predictions or measurements from other detectors. Methods to solve this \textit{inverse problem} of mapping detector observations to theoretical quantities of the underlying collision are essential parts of many physics analyses at the LHC. We investigate and compare various generative deep learning methods to approximate this inverse mapping. We introduce a novel unified architecture, termed latent variation diffusion models, which combines the latent learning of cutting-edge generative art approaches with an end-to-end variational framework. We demonstrate the effectiveness of this approach for reconstructing global distributions of theoretical kinematic quantities, as well as for ensuring the adherence of the learned posterior distributions to known physics constraints. Our unified approach achieves a distribution-free distance to the truth of over 20 times less than non-latent state-of-the-art baseline and 3 times less than traditional latent diffusion models.
• Abstract（参考訳）: 大型ハドロン衝突型加速器(LHC)の高エネルギー衝突は、素粒子物理学におけるオープンな問題に対する貴重な洞察を与える。 しかし、測定が他の検出器からの特定の理論的な予測や測定と比較される前に、検出器効果を補正する必要がある。 検出器の観測を基礎衝突の理論量にマッピングするこの \textit{inverse problem} を解く方法は、lhcにおける多くの物理学解析の重要な部分である。 この逆写像を近似するために,様々な生成的深層学習法を調査し,比較した。 本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた新しい統合アーキテクチャ,潜時変分拡散モデルを提案する。 本稿では,理論力学量の大域的分布の再構築と,学習後の分布の既知物理学的制約への付着性の確保に本手法の有効性を実証する。 統一アプローチは,非相対状態のベースラインよりも20 倍以上,従来の潜在拡散モデルより3 倍小さく,真の分布フリーな距離を実現する。

関連論文リスト

• Neural Message Passing Induced by Energy-Constrained Diffusion [79.9193447649011]
  本稿では,MPNNのメカニズムを理解するための原理的解釈可能なフレームワークとして,エネルギー制約付き拡散モデルを提案する。 データ構造が(グラフとして)観察されたり、部分的に観察されたり、完全に観察されなかったりした場合に、新しいモデルが有望な性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-09-13T17:54:41Z)
• Variational Pseudo Marginal Methods for Jet Reconstruction in Particle Physics [2.223804777595989]
  ジェット潜伏構造を推定するためのコンビニアル・シークエンシャルモンテカルロ法を提案する。 第2の貢献として、パラメータ学習のための変分推論アルゴリズムを開発するために、得られた推定値を利用する。 本研究では,コライダー物理生成モデルを用いて生成したデータを用いて実験を行い,本手法の有効性について述べる。
  論文  参考訳（メタデータ） (2024-06-05T13:18:55Z)
• Deciphering diffuse scattering with machine learning and the equivariant foundation model: The case of molten FeO [5.643890195191516]
  拡散X線または中性子散乱測定のギャップを埋めることと、不規則物質中の原子-原子対ポテンシャルから予測される構造は、凝縮物質物理学において長年の課題であった。 機械学習による原子間ポテンシャルの利用はここ数年で増加しており、特にイオン系や酸化物系では成功している。 ここでは、新たに導入された同変基礎モデルであるMACE-MP-0を活用し、溶融鉄(II)酸化物(FeO)の場合の高品質な実験散乱データに対して結果を検証する。
  論文  参考訳（メタデータ） (2024-03-01T03:50:03Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Energy Discrepancies: A Score-Independent Loss for Energy-Based Models [20.250792836049882]
  本稿では,スコアの計算や高価なマルコフ連鎖モンテカルロの計算に頼らない新しい損失関数であるEnergy Discrepancy (ED)を提案する。 EDは明示的なスコアマッチングと負のログ類似損失に異なる限界でアプローチし,両者を効果的に補間することを示した。
  論文  参考訳（メタデータ） (2023-07-12T19:51:49Z)
• Diffusion Models are Minimax Optimal Distribution Estimators [49.47503258639454]
  拡散モデリングの近似と一般化能力について、初めて厳密な分析を行った。 実密度関数がベソフ空間に属し、経験値整合損失が適切に最小化されている場合、生成したデータ分布は、ほぼ最小の最適推定値が得られることを示す。
  論文  参考訳（メタデータ） (2023-03-03T11:31:55Z)
• Let us Build Bridges: Understanding and Extending Diffusion Generative Models [19.517597928769042]
  拡散に基づく生成モデルは、最近、有望な結果を得たが、多くのオープンな疑問を提起している。 この研究は、理論的な理解を深めるために、全体的なフレームワークを再検討しようと試みている。 1)拡散生成モデルを学習するための最初の理論的誤り解析,2)異なる離散および制約された領域からのデータを学ぶための単純で統一的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-31T08:58:10Z)
• How Much is Enough? A Study on Diffusion Times in Score-based Generative Models [76.76860707897413]
  現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。 本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
  論文  参考訳（メタデータ） (2022-06-10T15:09:46Z)
• Quantifying Model Predictive Uncertainty with Perturbation Theory [21.591460685054546]
  本稿では,ニューラルネットワークの予測不確実性定量化のためのフレームワークを提案する。 量子物理学の摂動理論を用いてモーメント分解問題を定式化する。 我々の手法は、より高精度でキャリブレーションの高い高速なモデル予測不確実性推定を提供する。
  論文  参考訳（メタデータ） (2021-09-22T17:55:09Z)
• Targeted free energy estimation via learned mappings [66.20146549150475]
  自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。 FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。 目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
  論文  参考訳（メタデータ） (2020-02-12T11:10:00Z)

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。