論文の概要: One flow to correct them all: improving simulations in high-energy physics with a single normalising flow and a switch

• arxiv url: http://arxiv.org/abs/2403.18582v2
• Date: Thu, 5 Sep 2024 20:11:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-09 20:23:44.316883
• Title: One flow to correct them all: improving simulations in high-energy physics with a single normalising flow and a switch
• Title（参考訳）: すべてを修正するための一流:1つの正規化流とスイッチによる高エネルギー物理学のシミュレーションの改善
• Authors: Caio Cesar Daumann, Mauro Donega, Johannes Erdmann, Massimiliano Galli, Jan Lukas Späh, Davide Valsecchi,
• Abstract要約: シミュレーションの不完全さは 観測されたデータと シミュレーションされた出来事の間に 大きな違いをもたらす 簡単なアーキテクチャを用いて,1つの多次元分布(シミュレーション)を1つのデータ(データ)に変換する補正手法を提案する。 本手法の有効性を,観測対象の非自明な誤モデリングを用いた物理刺激型玩具データセットに適用し,その相関性を示す。
• 参考スコア（独自算出の注目度）: 0.06597195879147556
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulated events are key ingredients in almost all high-energy physics analyses. However, imperfections in the simulation can lead to sizeable differences between the observed data and simulated events. The effects of such mismodelling on relevant observables must be corrected either effectively via scale factors, with weights or by modifying the distributions of the observables and their correlations. We introduce a correction method that transforms one multidimensional distribution (simulation) into another one (data) using a simple architecture based on a single normalising flow with a boolean condition. We demonstrate the effectiveness of the method on a physics-inspired toy dataset with non-trivial mismodelling of several observables and their correlations.
• Abstract（参考訳）: シミュレーションイベントは、ほとんどの高エネルギー物理分析において重要な要素である。 しかし、シミュレーションの不完全性は、観測されたデータとシミュレーションされた事象の間に大きな違いをもたらす可能性がある。 関係する観測物に対するそのような誤モデリングの効果は、スケール因子、重み付き、あるいは観測物の分布とその相関を変更することによって、効果的に補正されなければならない。 本稿では,ブール条件付き単一正規化フローに基づく単純なアーキテクチャを用いて,1つの多次元分布(シミュレーション)を1つの多次元分布(データ)に変換する補正手法を提案する。 本手法の有効性を,観測対象の非自明な誤モデリングを用いた物理刺激型玩具データセットに適用し,その相関性を示す。

関連論文リスト

• Unsupervised Representation Learning from Sparse Transformation Analysis [79.94858534887801]
  本稿では,潜在変数のスパース成分への変換を分解し,シーケンスデータから表現を学習することを提案する。 入力データは、まず潜伏活性化の分布として符号化され、その後確率フローモデルを用いて変換される。
  論文  参考訳（メタデータ） (2024-10-07T23:53:25Z)
• Probing the effects of broken symmetries in machine learning [0.0]
  我々は,非対称モデルがデータから対称性を学習できることを示す。 我々は、対称性の破れによって、直接的または間接的に影響を受けやすい物理的観測物に特に焦点を合わせ、モデルが補間的でバルクな状態で使用されるとき、無視可能な結果を見つける。
  論文  参考訳（メタデータ） (2024-06-25T17:34:09Z)
• Flows for Flows: Morphing one Dataset into another with Maximum Likelihood Estimation [2.240286607818126]
  本稿では,フローを正規化してひとつのデータセットを別のデータセットに変形させるフローのためのフローと呼ばれるプロトコルを提案する。 これにより、最大推定値で訓練されたモーフィング戦略が実現される。 条件付き特徴のすべての値に対するモーフィング関数を作成するために、学習したフローを特定の特徴に対して条件付けする方法を示す。
  論文  参考訳（メタデータ） (2023-09-12T18:00:01Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• On the Strong Correlation Between Model Invariance and Generalization [54.812786542023325]
  一般化は、見えないデータを分類するモデルの能力をキャプチャする。 不変性はデータの変換におけるモデル予測の一貫性を測定する。 データセット中心の視点から、あるモデルの精度と不変性は異なるテストセット上で線形に相関している。
  論文  参考訳（メタデータ） (2022-07-14T17:08:25Z)
• Learning Similarity Metrics for Volumetric Simulations with Multiscale CNNs [25.253880881581956]
  本研究では,エントロピーに基づく類似性モデルを提案する。 我々は数値PDEソルバと既存のシミュレーションデータリポジトリからフィールドのコレクションを作成する。 ボリューム類似度メトリック(VolSiM)を演算するマルチスケールCNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-02-08T19:19:08Z)
• Hybridized Methods for Quantum Simulation in the Interaction Picture [69.02115180674885]
  本研究では,異なるシミュレーション手法をハイブリダイズし,インタラクション・ピクチャー・シミュレーションの性能を向上させるフレームワークを提案する。 これらのハイブリッド化手法の物理的応用は、電気遮断において$log2 Lambda$としてゲート複雑性のスケーリングをもたらす。 力学的な制約を受けるハミルトニアンシミュレーションの一般的な問題に対して、これらの手法は、エネルギーコストを課すために使われるペナルティパラメータ$lambda$とは無関係に、クエリの複雑さをもたらす。
  論文  参考訳（メタデータ） (2021-09-07T20:01:22Z)
• Learning to discover: expressive Gaussian mixture models for multi-dimensional simulation and parameter inference in the physical sciences [0.0]
  複数の観測可能量を記述する密度モデルは, 自己回帰型ガウス混合モデルを用いて生成できることを示す。 このモデルは、観測可能なスペクトルが仮説の変化によってどのように変形するかを捉えるように設計されている。 実験観測の解釈における科学的発見の統計モデルとして用いられることもある。
  論文  参考訳（メタデータ） (2021-08-25T21:27:29Z)
• Transport away your problems: Calibrating stochastic simulations with optimal transport [0.0]
  我々は輸送理論からの手法を活用して「校正」シミュレータを構築する。 ニューラルネットワークを用いて、シミュレータによって生成された個々のサンプルに対する最小限の変更を計算します。 実験粒子物理学の文脈におけるその方法とその利点を解説する。
  論文  参考訳（メタデータ） (2021-07-19T07:11:13Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。