Fugu-MT 論文翻訳(概要): Novel machine learning applications at the LHC

論文の概要: Novel machine learning applications at the LHC

arxiv url: http://arxiv.org/abs/2409.20413v1
Date: Mon, 30 Sep 2024 15:40:56 GMT
ステータス: 処理完了
システム内更新日: 2024-10-01 22:52:59.213201
Title: Novel machine learning applications at the LHC
Title（参考訳）: LHCにおける新しい機械学習応用
Authors: Javier M. Duarte,
Abstract要約: 機械学習(ML)は、素粒子物理学の分野で急速に成長している研究分野である。 LHC実験において,新しいML手法と最近の研究結果について,分類,高速シミュレーション,展開,異常検出について述べる。
参考スコア（独自算出の注目度）: 0.7124798686452959
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Machine learning (ML) is a rapidly growing area of research in the field of particle physics, with a vast array of applications at the CERN LHC. ML has changed the way particle physicists conduct searches and measurements as a versatile tool used to improve existing approaches and enable fundamentally new ones. In these proceedings, we describe novel ML techniques and recent results for improved classification, fast simulation, unfolding, and anomaly detection in LHC experiments.
Abstract（参考訳）: 機械学習(ML)は、粒子物理学の分野で急速に成長している研究分野であり、CERN LHCで多くの応用が行なわれている。 MLは、粒子物理学者が既存のアプローチを改善し、根本的に新しいアプローチを実現するために使われる多用途ツールとして探索と測定を行う方法を変えました。本稿では,LHC実験における新しいML手法と,分類,高速シミュレーション,展開,異常検出のための最近の結果について述べる。

関連論文リスト

Improving Molecular Modeling with Geometric GNNs: an Empirical Study [56.52346265722167]
本稿では,異なる標準化手法,(2)グラフ作成戦略,(3)補助的なタスクが性能,拡張性,対称性の強制に与える影響に焦点をあてる。本研究の目的は,分子モデリングタスクに最適なモデリングコンポーネントの選択を研究者に案内することである。
論文参考訳（メタデータ） (2024-07-11T09:04:12Z)
Generative Diffusion Models for Fast Simulations of Particle Collisions at CERN [3.2686289567336235]
高エネルギー物理シミュレーションでは、CERNの大型ハドロン衝突型加速器における粒子衝突実験の複雑さの解明に重要な役割を果たしている。近年の進歩は、最先端の生成機械学習手法として拡散モデルの有効性を強調している。拡散モデルに基づくALICE実験において,Zero Degree Calorimeter (ZDC) のシミュレーションを行った。
論文参考訳（メタデータ） (2024-06-05T13:11:53Z)
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)
Recent Advances and Applications of Machine Learning in Experimental Solid Mechanics: A Review [0.0]
機械学習(ML)の最近の進歩は、実験的な固体力学の新しい機会を提供する。このレビューは、MLメソッドの使用に関する貴重な洞察と、固体力学の研究者が実験に組み込むための様々な例を提供することを目的としている。
論文参考訳（メタデータ） (2023-03-14T06:15:17Z)
Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
論文参考訳（メタデータ） (2022-06-27T13:46:51Z)
The Preliminary Results on Analysis of TAIGA-IACT Images Using Convolutional Neural Networks [68.8204255655161]
本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。 The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
論文参考訳（メタデータ） (2021-12-19T15:17:20Z)
Advanced Multi-Variate Analysis Methods for New Physics Searches at the Large Hadron Collider [72.34476433304168]
ava4newphysicsは、高度多変量解析法と統計学習ツールの高エネルギー物理学問題へのカスタマイズと応用を研究した。これらの手法の多くは、CERNにおけるATLASおよびCMS実験によるデータ解析の感度向上に成功している。テスト段階にある他のいくつかは、基礎物理学パラメータの測定の精度と新しい現象の探索の到達範囲をさらに改善することを約束している。
論文参考訳（メタデータ） (2021-05-16T22:20:30Z)
Towards the Development of Entropy-Based Anomaly Detection in an Astrophysics Simulation [0.2867517731896504]
コア崩壊型超新星シミュレーションから生じる異常問題について述べる。本稿では,この科学的シミュレーションに異常検出技術を適用する際の戦略と早期成功について論じる。
論文参考訳（メタデータ） (2020-09-05T01:43:33Z)
Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。 ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文参考訳（メタデータ） (2020-08-05T15:45:54Z)
Machine Learning for Condensed Matter Physics [0.0]
凝縮物質物理学(CMP)は、量子と原子レベルの物質の微視的相互作用を理解することを目的としている。 CMPは、化学、材料科学、統計物理学、高性能コンピューティングなど、多くの重要な科学分野と重なり合っている。現代の機械学習(ML)技術は、両方の分野の交差点で魅力的な新しい研究領域を生み出した。
論文参考訳（メタデータ） (2020-05-28T18:44:55Z)

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。