論文の概要: Fast Inference Using Automatic Differentiation and Neural Transport in Astroparticle Physics
- arxiv url: http://arxiv.org/abs/2405.14932v1
- Date: Thu, 23 May 2024 18:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-27 19:37:06.260143
- Title: Fast Inference Using Automatic Differentiation and Neural Transport in Astroparticle Physics
- Title（参考訳）: 粒子物理における自動微分とニューラルトランスポートを用いた高速推論
- Authors: Dorian W. P. Amaral, Shixiao Liang, Juehang Qin, Christopher Tunnell,
- Abstract要約: 多次元パラメータ空間は、アストロ粒子物理学の理論でよく見られる。
彼らはしばしば、このコミュニティに伝統ある技法を使って横断するのに高価である複雑な後部幾何学を持っている。
この分野に進出し始めたばかりの最近のイノベーションは、そのような複雑な後部をナビゲートすることを可能にした。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-dimensional parameter spaces are commonly encountered in astroparticle physics theories that attempt to capture novel phenomena. However, they often possess complicated posterior geometries that are expensive to traverse using techniques traditional to this community. Effectively sampling these spaces is crucial to bridge the gap between experiment and theory. Several recent innovations, which are only beginning to make their way into this field, have made navigating such complex posteriors possible. These include GPU acceleration, automatic differentiation, and neural-network-guided reparameterization. We apply these advancements to astroparticle physics experimental results in the context of novel neutrino physics and benchmark their performances against traditional nested sampling techniques. Compared to nested sampling alone, we find that these techniques increase performance for both nested sampling and Hamiltonian Monte Carlo, accelerating inference by factors of $\sim 100$ and $\sim 60$, respectively. As nested sampling also evaluates the Bayesian evidence, these advancements can be exploited to improve model comparison performance while retaining compatibility with existing implementations that are widely used in the natural sciences.
- Abstract（参考訳）: 多次元パラメータ空間は、新しい現象を捉えようとする天体物理学理論でよく見られる。
しかし、地域社会に伝統ある技法を使って横断するのに高価な複雑な後部ジオメトリーをしばしば持っている。
これらの空間を効果的にサンプリングすることは、実験と理論の間のギャップを埋めるのに不可欠である。
この分野に進出し始めたばかりの最近のいくつかの革新は、そのような複雑な後部をナビゲートすることを可能にした。
その中には、GPUアクセラレーション、自動微分、ニューラルネットワーク誘導型パラメータ化などがある。
これらの進歩を、新しいニュートリノ物理学の文脈において、宇宙粒子物理学の実験結果に適用し、従来のネストサンプリング技術と比較して、それらの性能をベンチマークする。
ネストサンプリング単独と比較して、これらの手法はネストサンプリングとハミルトンモンテカルロの両方のパフォーマンスを高め、それぞれ$\sim 100$と$\sim 60$の因子による推論を加速させる。
ネストサンプリングはベイズ証拠も評価するので、これらの進歩は、自然科学で広く使われている既存の実装との互換性を維持しながら、モデル比較性能を向上させるために利用することができる。
関連論文リスト
- A comparison of Bayesian sampling algorithms for high-dimensional particle physics and cosmology applications [0.0]
我々は,マルコフ・チェイン・モンテカルロ(MCMC)とネストサンプリング手法を幅広く検討し,比較した。
ネストサンプリング手法を用いて最も容易に解けると広く考えられているいくつかの例は、現代のMCMCアルゴリズムによりより効率的に解けることを示す。
論文 参考訳（メタデータ） (2024-09-27T05:57:48Z) - von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
円値ランダム関数上の表現的および解釈可能な分布の族を探索する。
結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。
後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
論文 参考訳（メタデータ） (2024-06-19T01:57:21Z) - Tilt your Head: Activating the Hidden Spatial-Invariance of Classifiers [0.7704032792820767]
ディープニューラルネットワークは、日々の生活の多くの領域に適用されている。
これらは、空間的に変換された入力信号に頑健に対処するなど、依然として必須の能力が欠如している。
本稿では,ニューラルネットの推論過程をエミュレートする新しい手法を提案する。
論文 参考訳（メタデータ） (2024-05-06T09:47:29Z) - Bayesian Co-navigation: Dynamic Designing of the Materials Digital Twins via Active Learning [1.1057473962658189]
自動および自律的な実験装置への理論の統合は、科学研究を加速するための重要な目標として浮上している。
本稿では,理論モデル空間と実験のベイズ的共ナビゲーションを通じて,理論をループに統合する手法を提案する。
ここでは強誘電体材料における機能応答の文脈で実証されているが、我々のアプローチはより広範な応用を約束する。
論文 参考訳（メタデータ） (2024-04-19T14:11:32Z) - Simulating Gaussian boson sampling quantum computers [68.8204255655161]
実験的なガウスボソンサンプリングネットワークをシミュレートする最近の理論手法について概説する。
主に、量子力学の位相空間表現を使用する手法に焦点を当てる。
GBSの理論、最近の実験、その他の手法についても概説する。
論文 参考訳（メタデータ） (2023-08-02T02:03:31Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - 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) - 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) - Tensor-network study of correlation-spreading dynamics in the
two-dimensional Bose-Hubbard model [0.0]
この目的のために,従来のコンピュータ上で動作するテンソルネットワーク方式が有用であることを示す。
急激なクエンチ後の2次元Bose-Hubbardモデルのリアルタイムダイナミクスを特に解析する。
単一粒子と密度密度相関関数から位相と群速度を推定することにより、これらの速度が中間相互作用領域でどのように変化するかを予測する。
論文 参考訳（メタデータ） (2021-08-25T05:37:16Z) - Benchmarking a novel efficient numerical method for localized 1D
Fermi-Hubbard systems on a quantum simulator [0.0]
量子シミュレータは,多体系の力学に有効であることを示す。
我々は中性原子Fermi-Hubbard量子シミュレータと$L_textexpsimeq290$格子サイトを用いて、その性能をベンチマークする。
我々はスピン不均衡フェルミ・ハッバード系に対するブロッホ振動の相互作用の振舞いの簡単な予測を導出した。
論文 参考訳（メタデータ） (2021-05-13T16:03:11Z) - Fast Gravitational Approach for Rigid Point Set Registration with
Ordinary Differential Equations [79.71184760864507]
本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。
FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。
従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
論文 参考訳（メタデータ） (2020-09-28T15:05:39Z)
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。