論文の概要: Variational Pseudo Marginal Methods for Jet Reconstruction in Particle Physics
- arxiv url: http://arxiv.org/abs/2406.03242v1
- Date: Wed, 5 Jun 2024 13:18:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 18:20:44.053707
- Title: Variational Pseudo Marginal Methods for Jet Reconstruction in Particle Physics
- Title（参考訳）: 粒子物理学における噴流再構成のための変分擬連成法
- Authors: Hanming Yang, Antonio Khalil Moretti, Sebastian Macaluso, Philippe Chlenski, Christian A. Naesseth, Itsik Pe'er,
- Abstract要約: ジェット潜伏構造を推定するためのコンビニアル・シークエンシャルモンテカルロ法を提案する。
第2の貢献として、パラメータ学習のための変分推論アルゴリズムを開発するために、得られた推定値を利用する。
本研究では,コライダー物理生成モデルを用いて生成したデータを用いて実験を行い,本手法の有効性について述べる。
- 参考スコア（独自算出の注目度）: 2.223804777595989
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reconstructing jets, which provide vital insights into the properties and histories of subatomic particles produced in high-energy collisions, is a main problem in data analyses in collider physics. This intricate task deals with estimating the latent structure of a jet (binary tree) and involves parameters such as particle energy, momentum, and types. While Bayesian methods offer a natural approach for handling uncertainty and leveraging prior knowledge, they face significant challenges due to the super-exponential growth of potential jet topologies as the number of observed particles increases. To address this, we introduce a Combinatorial Sequential Monte Carlo approach for inferring jet latent structures. As a second contribution, we leverage the resulting estimator to develop a variational inference algorithm for parameter learning. Building on this, we introduce a variational family using a pseudo-marginal framework for a fully Bayesian treatment of all variables, unifying the generative model with the inference process. We illustrate our method's effectiveness through experiments using data generated with a collider physics generative model, highlighting superior speed and accuracy across a range of tasks.
- Abstract（参考訳）: 高エネルギー衝突で生成するサブ原子粒子の性質と歴史について重要な知見を提供するジェットの再構成は、コライダー物理学におけるデータ解析における主要な問題である。
この複雑なタスクは、ジェット(バイナリツリー)の潜伏構造を推定し、粒子エネルギー、運動量、タイプなどのパラメータを含む。
ベイズ法は、不確実性に対処し、事前の知識を活用するための自然なアプローチを提供するが、観測された粒子の数が増加するにつれて、潜在的ジェットトポロジーの超指数的な成長のために大きな課題に直面している。
これを解決するために、ジェット潜伏構造を推定するためのコンビニアル・シークエンシャルモンテカルロ法を提案する。
第2の貢献として、パラメータ学習のための変分推論アルゴリズムを開発するために、得られた推定値を利用する。
そこで本研究では,全変数のベイズ的処理に擬似文法的枠組みを用いた変分族を導入し,生成モデルと推論過程を統一する。
本研究では,コライダー物理生成モデルを用いて生成したデータを用いて,実験により提案手法の有効性を説明する。
関連論文リスト
- Parametric model reduction of mean-field and stochastic systems via higher-order action matching [1.1509084774278489]
我々は、勾配と平均場効果を特徴とする物理系の人口動態のモデルを学ぶ。
提案手法は,幅広いパラメータの集団動態を正確に予測し,最先端拡散モデルおよびフローベースモデルより優れていることを示す。
論文 参考訳（メタデータ） (2024-10-15T19:05:28Z) - Deep Generative Models for Detector Signature Simulation: A Taxonomic Review [0.0]
粒子物理学検出器からの信号は衝突の物理を符号化する低レベル物体(エネルギー沈降や軌道など)である。
検出器におけるそれらの完全なシミュレーションは、計算と記憶集約的なタスクである。
我々は,検出器シグネチャのシミュレーションについて,既存の文献の包括的かつ徹底的な分類学的レビューを行う。
論文 参考訳（メタデータ） (2023-12-15T08:27:39Z) - Neural network analysis of neutron and X-ray reflectivity data:
Incorporating prior knowledge for tackling the phase problem [141.5628276096321]
本稿では,事前知識を利用して,より大規模なパラメータ空間上でのトレーニングプロセスを標準化する手法を提案する。
ボックスモデルパラメータ化を用いた多層構造を含む様々なシナリオにおいて,本手法の有効性を示す。
従来の手法とは対照的に,逆問題の複雑性を増大させると,我々の手法は好適にスケールする。
論文 参考訳（メタデータ） (2023-06-28T11:15:53Z) - Additive Multi-Index Gaussian process modeling, with application to
multi-physics surrogate modeling of the quark-gluon plasma [1.7368964547487395]
クォーク・グルーオンプラズマ(Quark-Gluon Plasma、QGP)は、ビッグバンの直後に宇宙を埋めたと理論化されている核物質のユニークな相である。
実験観測対象を理論パラメータで整合させるためには、高次元のパラメータ空間上での複雑な物理モデルの多くのシミュレーション実行が必要である。
本稿では,パラメータ空間の低次元埋め込みに柔軟な加法構造を利用するAdMIn-GP(Adjectitive Multi-Index Gaussian Process)モデルを提案する。
論文 参考訳（メタデータ） (2023-06-11T02:42:09Z) - End-To-End Latent Variational Diffusion Models for Inverse Problems in
High Energy Physics [61.44793171735013]
本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。
我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
論文 参考訳（メタデータ） (2023-05-17T17:43:10Z) - 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) - Interpretable Joint Event-Particle Reconstruction for Neutrino Physics
at NOvA with Sparse CNNs and Transformers [124.29621071934693]
本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。
TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。
このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
論文 参考訳（メタデータ） (2023-03-10T20:36:23Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - 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) - Modeling Stochastic Microscopic Traffic Behaviors: a Physics Regularized
Gaussian Process Approach [1.6242924916178285]
本研究では,実世界のランダム性を捉え,誤差を計測できる微視的交通モデルを提案する。
提案フレームワークの特長の一つは,自動車追従行動と車線変更行動の両方を1つのモデルで捉える能力である。
論文 参考訳（メタデータ） (2020-07-17T06:03:32Z)
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。