論文の概要: JetLOV: Enhancing Jet Tree Tagging through Neural Network Learning of Optimal LundNet Variables

• arxiv url: http://arxiv.org/abs/2311.14654v1
• Date: Fri, 24 Nov 2023 18:38:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-27 14:10:51.807500
• Title: JetLOV: Enhancing Jet Tree Tagging through Neural Network Learning of Optimal LundNet Variables
• Title（参考訳）: JetLOV: 最適LundNet変数のニューラルネットワーク学習によるジェットツリータグの強化
• Authors: Mauricio A. Diaz, Giorgio Cerro, Jacan Chaplais, Srinandan Dasmahapatra, Stefano Moretti
• Abstract要約: 直列多層パーセプトロン(MLP)とLundNet(LundNet)の2つのモデルからなるコンポジットであるJetLOVを紹介する。 そこで本研究では,事前に計算したLundNet変数を使わずに,同等のジェットタグ性能が得られることを示す。 これらの発見は、特にモデル依存の問題に対処する上で、有望である。
• 参考スコア（独自算出の注目度）: 6.699222582814233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning has played a pivotal role in advancing physics, with deep learning notably contributing to solving complex classification problems such as jet tagging in the field of jet physics. In this experiment, we aim to harness the full potential of neural networks while acknowledging that, at times, we may lose sight of the underlying physics governing these models. Nevertheless, we demonstrate that we can achieve remarkable results obscuring physics knowledge and relying completely on the model's outcome. We introduce JetLOV, a composite comprising two models: a straightforward multilayer perceptron (MLP) and the well-established LundNet. Our study reveals that we can attain comparable jet tagging performance without relying on the pre-computed LundNet variables. Instead, we allow the network to autonomously learn an entirely new set of variables, devoid of a priori knowledge of the underlying physics. These findings hold promise, particularly in addressing the issue of model dependence, which can be mitigated through generalization and training on diverse data sets.
• Abstract（参考訳）: 機械学習は物理学の進歩において重要な役割を担い、ジェット物理学の分野におけるジェットタグのような複雑な分類問題の解決に深く貢献している。 この実験では、ニューラルネットワークのポテンシャルを最大限に活用しながら、これらのモデルを支配する基礎となる物理学を見失う可能性があることを認識することを目的としています。 それにもかかわらず、我々は物理学の知識を損なう驚くべき結果を達成し、モデルの結果に完全に依存できることを実証する。 直列多層パーセプトロン(MLP)とLundNet(LundNet)の2つのモデルからなるコンポジットであるJetLOVを紹介する。 本研究は,事前に計算された lundnet 変数を頼らずに,同等の jet tagging 性能を達成できることを示す。 代わりに、ネットワークは基礎となる物理学の事前知識を欠いた全く新しい変数の集合を自律的に学習することができる。 これらの発見は、特にモデル依存の問題への対処において、様々なデータセットの一般化とトレーニングによって緩和される。

関連論文リスト

• PIETRA: Physics-Informed Evidential Learning for Traversing Out-of-Distribution Terrain [35.21102019590834]
  物理インフォームド・エビデンシャル・トラバーサビリティ(英: Physics-Informed Evidential Traversability、略称:PIETRA)は、物理の先行性を直接、明らかなニューラルネットワークの数学的定式化に統合する自己指導型学習フレームワークである。 我々の明らかなネットワークは、学習と物理に基づくアウト・オブ・ディストリビューション・インプットの予測をシームレスに遷移させる。 PIETRAは、大きな分散シフトのある環境における学習精度とナビゲーション性能の両方を改善している。
  論文  参考訳（メタデータ） (2024-09-04T18:01:10Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Scalable algorithms for physics-informed neural and graph networks [0.6882042556551611]
  物理インフォームド機械学習(PIML)は、複雑な物理的および生物学的システムをシミュレートするための有望な新しいアプローチとして登場した。 PIMLでは、物理法則を適用し、時空領域のランダムな点で評価することで得られる追加情報から、そのようなネットワークを訓練することができる。 本稿では、主にフィードフォワードニューラルネットワークと自動微分に基づく物理情報ニューラルネットワーク(PINN)を用いて、物理を機械学習に組み込む一般的なトレンドについて概説する。
  論文  参考訳（メタデータ） (2022-05-16T15:46:11Z)
• 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)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。