論文の概要: FAIR Universe HiggsML Uncertainty Dataset and Competition

• arxiv url: http://arxiv.org/abs/2410.02867v5
• Date: Wed, 24 Sep 2025 07:40:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 11:55:19.805532
• Title: FAIR Universe HiggsML Uncertainty Dataset and Competition
• Title（参考訳）: FAIR UniverseがMLの不確実性データセットと競合を採用
• Authors: Lisa Benato, Wahid Bhimji, Paolo Calafiura, Ragansu Chakkappai, Po-Wen Chang, Yuan-Tang Chou, Sascha Diefenbacher, Jordan Dudley, Ibrahim Elsharkawy, Steven Farrell, Aishik Ghosh, Cristina Giordano, Isabelle Guyon, Chris Harris, Yota Hashizume, Shih-Chieh Hsu, Elham E. Khoda, Claudius Krause, Ang Li, Benjamin Nachman, Peter Nugent, David Rousseau, Robert Schoefbeck, Maryam Shooshtari, Dennis Schwarz, Benjamin Thorne, Ihsan Ullah, Daohan Wang, Yulei Zhang,
• Abstract要約: FAIR Universe HiggsML Uncertainty Challengeは、不完全なシミュレータによる素粒子の物理的特性の測定に焦点を当てた。 データセットは28のフィーチャと2億8000万のインスタンスのグラフデータセットである。 それぞれのインスタンスは、スイスのジュネーヴにあるCERNの大型ハドロン衝突型加速器で観測されたシミュレーションされた陽子-陽子衝突を表す。
• 参考スコア（独自算出の注目度）: 8.505537471138144
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The FAIR Universe HiggsML Uncertainty Challenge focused on measuring the physical properties of elementary particles with imperfect simulators. Participants were required to compute and report confidence intervals for a parameter of interest regarding the Higgs boson while accounting for various systematic (epistemic) uncertainties. The dataset is a tabular dataset of 28 features and 280 million instances. Each instance represents a simulated proton-proton collision as observed at CERN's Large Hadron Collider in Geneva, Switzerland. The features of these simulations were chosen to capture key characteristics of different types of particles. These include primary attributes, such as the energy and three-dimensional momentum of the particles, as well as derived attributes, which are calculated from the primary ones using domain-specific knowledge. Additionally, a label feature designates each instance's type of proton-proton collision, distinguishing the Higgs boson events of interest from three background sources. As outlined in this paper, the permanent release of the dataset allows long-term benchmarking of new techniques. The leading submissions, including Contrastive Normalising Flows and Density Ratios estimation through classification, are described. Our challenge has brought together the physics and machine learning communities to advance our understanding and methodologies in handling systematic uncertainties within AI techniques.
• Abstract（参考訳）: FAIR Universe HiggsML Uncertainty Challengeは、不完全なシミュレータによる素粒子の物理的特性の測定に焦点を当てた。 参加者はヒッグス粒子に関するパラメータの信頼区間を計算・報告し、様々な系統的(緊急性)不確実性を考慮した。 データセットは28のフィーチャと2億8000万のインスタンスのグラフデータセットである。 それぞれのインスタンスは、スイスのジュネーヴにあるCERNの大型ハドロン衝突型加速器で観測されたシミュレーションされた陽子-陽子衝突を表す。 これらのシミュレーションの特徴は、異なる種類の粒子の鍵特性を捉えるために選ばれた。 これらには、粒子のエネルギーや3次元運動量などの主属性や、ドメイン固有の知識を用いて一次属性から計算される導出属性が含まれる。 さらに、ラベル機能は各インスタンスの陽子-陽子衝突のタイプを指定し、3つの背景源からヒッグスのボソンイベントを区別する。 本稿で概説したように、データセットの恒久的なリリースは、新しいテクニックの長期ベンチマークを可能にする。 コントラスト的正規化フローや分類による密度比の推定など,主要な提出事項について述べる。 我々の挑戦は、AI技術における系統的な不確実性を扱うための理解と方法論を進めるために、物理学と機械学習のコミュニティをまとめました。

関連論文リスト

• Universal Random Matrix Behavior of a Fermionic Quantum Gas [0.0]
  2つの相互作用するスピン状態からなる単一原子レベルの超低温原子フェルミガスを探索する。 この結果はランダム行列理論のレンズによるフェルミ球点過程の初めての実験的検証である。
  論文  参考訳（メタデータ） (2025-10-29T17:40:26Z)
• Neural simulation-based inference of the Higgs trilinear self-coupling via off-shell Higgs production [0.562479170374811]
  我々は、ヒッグス信号の確率を構築するために、ハイブリッドニューラルネットワークシミュレーションベース推論(N SBI)アプローチを開発する。 我々のN SBIアプローチは理論的最適値に近い感度を達成し、大型ハドロン衝突型加速器の高輝度アップグレードに期待される制約を与える。
  論文  参考訳（メタデータ） (2025-07-02T18:00:00Z)
• PhysUniBench: An Undergraduate-Level Physics Reasoning Benchmark for Multimodal Models [69.73115077227969]
  大規模言語モデル(MLLM)の推論能力の評価と改善を目的とした大規模ベンチマークであるPhysUniBenchを提案する。 PhysUniBenchは、3,304の物理問題から成っている。 ベンチマークの構成には、複数のロールアウト、専門家レベルの評価、解決が容易な問題の自動フィルタリング、そして5段階の難易度グレーディングシステムを含む、厳格な多段階プロセスが含まれていた。
  論文  参考訳（メタデータ） (2025-06-21T09:55:42Z)
• Towards scientific machine learning for granular material simulations -- challenges and opportunities [7.865643764194596]
  粒状物質は粒状系の挙動を支配している。 粒子スケールシミュレーションはこれらの相互作用に関する洞察を与えるが、計算コストはしばしば禁止される。 このポジションペーパーは、最近のLorentz Center Workshop on "Machine Learning for Discrete Granular Media"から生まれた。
  論文  参考訳（メタデータ） (2025-04-01T09:03:59Z)
• Physics-Driven Learning for Inverse Problems in Quantum Chromodynamics [5.5371760658918]
  ディープラーニング技術と物理駆動設計の統合は、私たちが逆問題に対処する方法を変えつつある。 この視点は、物理駆動学習法の進歩と可能性を強調している。 MLと物理の融合により、より効率的で信頼性の高い問題解決戦略がもたらされることが示されている。
  論文  参考訳（メタデータ） (2025-01-09T21:14:25Z)
• Generalized Statistics on Lattices [4.779830375897805]
  我々は任意の次元の格子上でのアベリア励起の一般化統計量を決定する普遍的な顕微鏡的手法を開発した。 それぞれの統計不変量は一般化対称性の't Hooft anomaly'に対応することを示す。 これにより、顕微鏡格子異常と多体力学の正確な関係が確立される。
  論文  参考訳（メタデータ） (2024-12-02T19:00:00Z)
• The Sound of Water: Inferring Physical Properties from Pouring Liquids [85.30865788636386]
  注水液の音響・視覚観測と物理の関連性について検討した。 本研究の目的は, 液位, 容器形状, 注水速度, 充填時間などの物性を自動的に推定することである。
  論文  参考訳（メタデータ） (2024-11-18T01:19:37Z)
• Variational Pseudo Marginal Methods for Jet Reconstruction in Particle Physics [2.223804777595989]
  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。
  論文  参考訳（メタデータ） (2024-06-05T13:18:55Z)
• Explainable data-driven modeling via mixture of experts: towards effective blending of grey and black-box models [6.331947318187792]
  専門家の混成」の理論的根拠に基づく包括的枠組みを提案する。 このアプローチは、多様なローカルモデルのデータベースの融合を可能にする。 我々は,解釈可能性を高めるために,専門家の組み合わせの急激な変化を罰する。
  論文  参考訳（メタデータ） (2024-01-30T15:53:07Z)
• Artificial Intelligence for Science in Quantum, Atomistic, and Continuum Systems [268.585904751315]
  科学のためのAI(AI4Science)として知られる新しい研究領域 領域は、物理世界(波動関数と電子密度)、原子(分子、タンパク質、物質、相互作用)、マクロ(流体、気候、地下)まで理解することを目的としている。 主要な課題は、物理第一原理、特に対称性を深層学習法によって自然システムで捉える方法である。
  論文  参考訳（メタデータ） (2023-07-17T12:14:14Z)
• Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
  本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。 我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
  論文  参考訳（メタデータ） (2023-05-21T03:51:03Z)
• Quantum Generative Adversarial Networks For Anomaly Detection In High Energy Physics [0.0]
  異常事象を識別する量子生成逆数ネットワークを開発した。 SMデータから背景分布を学習し、学習した背景分布に与えられた事象が特有であるか否かを判定する。 10倍のトレーニングデータサンプルを用いた量子生成技術は、グラビトン粒子とヒッグス粒子の検出において古典的手法に匹敵する精度が得られることが判明した。
  論文  参考訳（メタデータ） (2023-04-27T18:01:14Z)
• 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)
• On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
  我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。 まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
  論文  参考訳（メタデータ） (2023-02-05T01:39:21Z)
• Physics-Guided Adversarial Machine Learning for Aircraft Systems Simulation [9.978961706999833]
  この研究は、物理誘導型逆機械学習(ML)という新しいアプローチを示し、モデルの物理一貫性に対する信頼性を向上させる。 2つの航空機システムの性能モデルに対する実証的な評価は、我々の敵MLアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2022-09-07T19:23:45Z)
• Encoding physics to learn reaction-diffusion processes [18.187800601192787]
  物理構造を符号化するディープラーニングフレームワークが,PDEシステム体制に関する様々な問題に適用可能であることを示す。 物理を符号化する結果の学習パラダイムは、広範囲な数値実験により、高い精度、堅牢性、解釈可能性、一般化可能性を示す。
  論文  参考訳（メタデータ） (2021-06-09T03:02:20Z)
• SPANet: Generalized Permutationless Set Assignment for Particle Physics using Symmetry Preserving Attention [62.43586180025247]
  大型ハドロン衝突型加速器の衝突は、観測された粒子の可変サイズの集合を生成する。 崩壊生成物の物理対称性は、観測された粒子の崩壊生成物の割り当てを複雑にする。 本稿では,対称性を保った注目ネットワークを構築するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:18:20Z)
• A survey of machine learning-based physics event generation [2.9903137981116723]
  高エネルギー核・粒子物理学におけるイベントジェネレータは、粒子反応の研究を促進する上で重要な役割を果たしている。 物理イベントジェネレータの構築における機械学習(ML)の取り組みについて概観する。 本稿では、これらの課題を克服するために、MLモデル設計に物理を組み込む様々なアプローチについて論じる。
  論文  参考訳（メタデータ） (2021-06-01T17:23:15Z)
• 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)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Quantum particle across Grushin singularity [77.34726150561087]
  2つの半円柱を分離する特異点を横断する透過現象について検討する。 自由(ラプラス・ベルトラミ)量子ハミルトンの局所的な実現は、透過/反射の非等価なプロトコルとして検討される。 これにより、文献で以前に特定されたいわゆる「ブリッジング」送信プロトコルの区別された状態を理解することができる。
  論文  参考訳（メタデータ） (2020-11-27T12:53:23Z)
• Living in the Physics and Machine Learning Interplay for Earth Observation [7.669855697331746]
  推論は変数の関係を理解し、物理的に解釈可能なモデルを導出することを意味する。 機械学習モデルだけでも優れた近似器であるが、物理学の最も基本的な法則を尊重しないことが多い。 これは、地球系の知識を発見できるアルゴリズムを開発し、適用するための、長期的なAIの集合的なアジェンダである。
  論文  参考訳（メタデータ） (2020-10-18T16:58:20Z)
• A multiconfigurational study of the negatively charged nitrogen-vacancy center in diamond [55.58269472099399]
  広帯域ギャップ半導体の深い欠陥は、量子センシングと情報応用を実現するための主要な量子ビット候補として現れている。 ここでは、単一粒子処理とは異なり、伝統的に原子/分子に予約されていた多重構成量子化学法は、これらの欠陥中心の電子状態の多体特性を正確に記述する。
  論文  参考訳（メタデータ） (2020-08-24T01:49:54Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)
• 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。