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

• 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)
• 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)
• 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)
• 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)
• 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)
• 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。