論文の概要: Designing Observables for Measurements with Deep Learning

• arxiv url: http://arxiv.org/abs/2310.08717v2
• Date: Tue, 17 Sep 2024 22:56:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-19 23:46:22.373651
• Title: Designing Observables for Measurements with Deep Learning
• Title（参考訳）: 深層学習による計測のための可観測物の設計
• Authors: Owen Long, Benjamin Nachman,
• Abstract要約: 機械学習を用いて,対象とする観測対象を設計することを提案する。 ニューラルネットワーク出力の展開された微分断面は、関心のパラメータに関する最も多くの情報を含んでいる。 深部散乱の包括的測定に2つの物理モデルを用いたシミュレーションでこのアイデアを実証する。
• 参考スコア（独自算出の注目度）: 0.12277343096128711
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many analyses in particle and nuclear physics use simulations to infer fundamental, effective, or phenomenological parameters of the underlying physics models. When the inference is performed with unfolded cross sections, the observables are designed using physics intuition and heuristics. We propose to design targeted observables with machine learning. Unfolded, differential cross sections in a neural network output contain the most information about parameters of interest and can be well-measured by construction. The networks are trained using a custom loss function that rewards outputs that are sensitive to the parameter(s) of interest while simultaneously penalizing outputs that are different between particle-level and detector-level (to minimize detector distortions). We demonstrate this idea in simulation using two physics models for inclusive measurements in deep inelastic scattering. We find that the new approach is more sensitive than classical observables at distinguishing the two models and also has a reduced unfolding uncertainty due to the reduced detector distortions.
• Abstract（参考訳）: 粒子物理学や核物理学における多くの分析は、基礎となる物理モデルの基本的な、効果的な、または現象論的パラメータを推測するためにシミュレーションを使用する。 展開された断面で推論を行う場合、観測対象は物理直観とヒューリスティックスを用いて設計される。 機械学習を用いて,対象とする観測対象を設計することを提案する。 ニューラルネットワーク出力における微分断面積は、興味のあるパラメータに関する最も多くの情報を含み、構築によって適切に測定できる。 ネットワークは、関心のパラメータに敏感な出力を報奨するカスタム損失関数を使用してトレーニングされ、同時に粒子レベルと検出器レベルの異なる出力をペナルティ化する(検出器歪みを最小限に抑える)。 深部非弾性散乱の包括的測定に2つの物理モデルを用いたシミュレーションでこのアイデアを実証する。 この新しい手法は2つのモデルを区別する従来の観測値よりも感度が高く,また検出歪みの低減による展開不確実性も低減されていることがわかった。

関連論文リスト

• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• 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)
• Particle-Based Score Estimation for State Space Model Learning in Autonomous Driving [62.053071723903834]
  マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。 粒子法を用いて最大形パラメータを学習することを検討する。 自動運転車から収集した実データに本手法を適用した。
  論文  参考訳（メタデータ） (2022-12-14T01:21:05Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Graph network for simultaneous learning of forward and inverse physics [0.0]
  本稿では,解釈可能な帰納バイアスを用いて粒子物理学の前方および逆モデルを学ぶエンド・ツー・エンドグラフネットワークを提案する。 我々の手法は、少なくとも1桁高い精度で前方ダイナミクスを予測できる。
  論文  参考訳（メタデータ） (2021-12-13T22:38:09Z)
• Multi-scale Feature Learning Dynamics: Insights for Double Descent [71.91871020059857]
  一般化誤差の「二重降下」現象について検討する。 二重降下は、異なるスケールで学習される異なる特徴に起因する可能性がある。
  論文  参考訳（メタデータ） (2021-12-06T18:17:08Z)
• Revisit Geophysical Imaging in A New View of Physics-informed Generative Adversarial Learning [2.12121796606941]
  完全な波形反転は高分解能地下モデルを生成する。 最小二乗関数を持つFWIは、局所ミニマ問題のような多くの欠点に悩まされる。 偏微分方程式とニューラルネットワークを用いた最近の研究は、2次元FWIに対して有望な性能を示している。 本稿では,波動方程式を識別ネットワークに統合し,物理的に一貫したモデルを正確に推定する,教師なし学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-09-23T15:54:40Z)
• Combining data assimilation and machine learning to estimate parameters of a convective-scale model [0.0]
  対流を許容する数値気象予測モデルにおける雲の表現の誤差は、異なる情報源によって導入することができる。 本研究では,2種類のニューラルネットワークをトレーニングすることにより,人工知能レンズによるパラメータ推定の問題を検討する。
  論文  参考訳（メタデータ） (2021-09-07T09:17:29Z)
• 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)
• Model discovery in the sparse sampling regime [0.0]
  深層学習が部分微分方程式のモデル発見をいかに改善できるかを示す。 その結果、ディープラーニングに基づくモデル発見は、基礎となる方程式を復元することができる。 我々は合成集合と実験集合の両方について主張する。
  論文  参考訳（メタデータ） (2021-05-02T06:27:05Z)

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。