Fugu-MT 論文翻訳(概要): HyperTrack: Neural Combinatorics for High Energy Physics

論文の概要: HyperTrack: Neural Combinatorics for High Energy Physics

arxiv url: http://arxiv.org/abs/2309.14113v1
Date: Mon, 25 Sep 2023 13:12:08 GMT
ステータス: 処理完了
システム内更新日: 2023-09-26 15:27:37.839058
Title: HyperTrack: Neural Combinatorics for High Energy Physics
Title（参考訳）: HyperTrack: 高エネルギー物理学のためのニューラルコンビニティクス
Authors: Mikael Mieskolainen
Abstract要約: 高エネルギー物理学における組合せ逆問題には、膨大なアルゴリズム上の課題がある。この研究は、時空非局所トレーニング可能なグラフコンストラクタを利用する、新しいディープラーニング駆動クラスタリングアルゴリズムを提案する。このアルゴリズムは荷電粒子追跡、カロリー測定、積み上げ差別、ジェット物理学などの問題に適用できる。
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: Combinatorial inverse problems in high energy physics span enormous algorithmic challenges. This work presents a new deep learning driven clustering algorithm that utilizes a space-time non-local trainable graph constructor, a graph neural network, and a set transformer. The model is trained with loss functions at the graph node, edge and object level, including contrastive learning and meta-supervision. The algorithm can be applied to problems such as charged particle tracking, calorimetry, pile-up discrimination, jet physics, and beyond. We showcase the effectiveness of this cutting-edge AI approach through particle tracking simulations. The code is available online.
Abstract（参考訳）: 高エネルギー物理学における組合せ逆問題には、膨大なアルゴリズム上の課題がある。本稿では,時空非局所学習可能なグラフコンストラクタ,グラフニューラルネットワーク,セットトランスフォーマを用いた,新たなディープラーニング駆動クラスタリングアルゴリズムを提案する。このモデルは、対照的な学習やメタスーパービジョンを含むグラフノード、エッジ、オブジェクトレベルでの損失関数で訓練される。このアルゴリズムは荷電粒子追跡、熱量測定、積み上げ識別、ジェット物理などの問題に適用することができる。本稿では,粒子追跡シミュレーションによる最先端AI手法の有効性を示す。コードはオンラインで入手できる。

関連論文リスト

A Tutorial on the Use of Physics-Informed Neural Networks to Compute the Spectrum of Quantum Systems [0.9374652839580183]
本稿では、あるポテンシャルに対してシュリンガー方程式を解くことができる物理インフォームドニューラルネットワーク(PINN)の構築方法について述べる。 PINNは、メッシュのない方法で積分差分方程式を解くために、自動微分を利用するディープラーニング手法である。
論文参考訳（メタデータ） (2024-07-30T09:07:03Z)
Quantum-Annealing-Inspired Algorithms for Track Reconstruction at High-Energy Colliders [0.0]
トラック再構成は二次的制約のない2進最適化問題として定式化することができる。粒子追跡問題の解法としてシミュレートされた分岐アルゴリズムを用いることができることを示す。
論文参考訳（メタデータ） (2024-02-22T17:19:03Z)
Simulation of Graph Algorithms with Looped Transformers [6.0465914748433915]
理論的観点から, グラフ上のアルゴリズムをシミュレートするトランスフォーマーネットワークの能力について検討する。このアーキテクチャは、Dijkstraの最も短い経路のような個々のアルゴリズムをシミュレートできることを示す。付加的なアテンションヘッドを利用する場合のチューリング完全度を一定幅で示す。
論文参考訳（メタデータ） (2024-02-02T02:48:03Z)
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)
Learning Graph Search Heuristics [48.83557172525969]
本稿では,新しいニューラルネットワークと学習アルゴリズムであるPHIL(Path Heuristic with Imitation Learning)について述べる。我々の関数は、ノード距離の推測に有用なグラフ埋め込みを学習し、グラフサイズに依存しない一定時間で実行し、テスト時にA*のようなアルゴリズムに容易に組み込むことができる。実験の結果、PHILはベンチマークデータセットの最先端の手法と比較して平均58.5%の探索ノード数を削減している。
論文参考訳（メタデータ） (2022-12-07T22:28:00Z)
DiffSkill: Skill Abstraction from Differentiable Physics for Deformable Object Manipulations with Tools [96.38972082580294]
DiffSkillは、変形可能なオブジェクト操作タスクを解決するために、スキル抽象化に微分可能な物理シミュレータを使用する新しいフレームワークである。特に、勾配に基づくシミュレーターから個々のツールを用いて、まず短距離のスキルを得る。次に、RGBD画像を入力として取り込む実演軌跡から、ニューラルネットワークの抽象体を学習する。
論文参考訳（メタデータ） (2022-03-31T17:59:38Z)
From Quantum Graph Computing to Quantum Graph Learning: A Survey [86.8206129053725]
まず、量子力学とグラフ理論の相関関係について、量子コンピュータが有用な解を生成できることを示す。本稿では,その実践性と適用性について,一般的なグラフ学習手法について概説する。今後の研究の触媒として期待される量子グラフ学習のスナップショットを提供する。
論文参考訳（メタデータ） (2022-02-19T02:56:47Z)
Quantum speedup for track reconstruction in particle accelerators [51.00143435208596]
我々は,各局所追跡法に存在する基本ルーチンを4つ同定し,標準追跡アルゴリズムの文脈でどのようにスケールするかを解析する。発見された量子スピードアップは穏やかだが、これは私たちの知識の中でも最高のものであり、高エネルギーの物理データ処理タスクに対する量子上の優位性の最初の厳密な証拠である。
論文参考訳（メタデータ） (2021-04-23T13:32:14Z)
Scalable, End-to-End, Deep-Learning-Based Data Reconstruction Chain for Particle Imaging Detectors [0.0]
本稿では,Lyquid Time Projection Chambers (LArTPCs) のためのエンドツーエンドのMLベースのデータ再構成チェーンを提案する。これは、何十もの高エネルギーニュートリノ相互作用の既往の積み重ねを扱う最初の実装である。
論文参考訳（メタデータ） (2021-02-01T18:10:00Z)
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)
A Quantum Graph Neural Network Approach to Particle Track Reconstruction [1.087475836765689]
本稿では,初期単純化ツリーネットワーク(TTN)モデルの低精度化を克服するために,反復的アプローチによる改良モデルを提案する。我々は、量子コンピューティングの能力を活用して、非常に多くの状態を同時に評価し、それによって、大きなパラメータ空間を効果的に探索することを目指している。
論文参考訳（メタデータ） (2020-07-14T07:25:24Z)

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。