Fugu-MT 論文翻訳(概要): Bumblebee: Foundation Model for Particle Physics Discovery

論文の概要: Bumblebee: Foundation Model for Particle Physics Discovery

arxiv url: http://arxiv.org/abs/2412.07867v1
Date: Tue, 10 Dec 2024 19:14:50 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-12 14:00:45.408507
Title: Bumblebee: Foundation Model for Particle Physics Discovery
Title（参考訳）: Bumblebee: 粒子物理学発見の基礎モデル
Authors: Andrew J. Wildridge, Jack P. Rodgers, Ethan M. Colbert, Yao yao, Andreas W. Jung, Miaoyuan Liu,
Abstract要約: バンブルビー(Bumblebee)は、素粒子物理学の発見の基礎モデルである。ジェネレータレベルの情報と再構築レベルの情報の両方をキャプチャする。ディレプトニック・トップクォークの分解能を10-20%向上させる。
参考スコア（独自算出の注目度）: 2.8160030652628025
License:
Abstract: Bumblebee is a foundation model for particle physics discovery, inspired by BERT. By removing positional encodings and embedding particle 4-vectors, Bumblebee captures both generator- and reconstruction-level information while ensuring sequence-order invariance. Pre-trained on a masked task, it improves dileptonic top quark reconstruction resolution by 10-20% and excels in downstream tasks, including toponium discrimination (AUROC 0.877) and initial state classification (AUROC 0.625). The flexibility of Bumblebee makes it suitable for a wide range of particle physics applications, especially the discovery of new particles.
Abstract（参考訳）: Bumblebeeは、BERTにインスパイアされた素粒子物理学発見の基礎モデルである。位置エンコーディングと粒子4-ベクターを埋め込むことで、Bumblebeeはシーケンスオーダーの不変性を確保しつつ、ジェネレータレベルと再構築レベルの両方の情報をキャプチャする。マスク付きタスクで事前訓練され、ジレプトニックトップクォーク再構成の解像度を10-20%改善し、トポニウム識別(AUROC 0.877)や初期状態分類(AUROC 0.625)などの下流タスクに優れる。バンブルビーの柔軟性は、幅広い粒子物理学応用、特に新しい粒子の発見に適している。

関連論文リスト

PredFormer: Transformers Are Effective Spatial-Temporal Predictive Learners [65.93130697098658]
本稿では、予測学習のための純粋なトランスフォーマーベースのフレームワークであるPredFormerを提案する。 PredFormerは、リカレントフリーでトランスフォーマーベースの設計で、シンプルかつ効率的である。合成および実世界のデータセットに関する実験は、PredFormerが最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2024-10-07T03:52:06Z)
Gravix: Active Learning for Gravitational Waves Classification Algorithms [0.0]
このプロジェクトでは,ベイズ最適化アルゴリズムをベース機械学習モデルに統合し,重力波の分類を行う。本物のノイズを持つデータは、LIGO Livingston、LIGO Hanford、Virgoの3つの検出器から収集される。モデルは試験データを効果的に分類し、83.61%の顕著なスコアで重力波信号の存在を予測する。
論文参考訳（メタデータ） (2024-08-18T06:06:53Z)
Deep Generative Models for Ultra-High Granularity Particle Physics Detector Simulation: A Voyage From Emulation to Extrapolation [0.0]
この論文は、ベルIIの実験でPixel Vertex Detector (PXD)のこの課題を克服することを目的としている。本研究は、粒子物理学における超高粒度検出器シミュレーションに深部生成モデルを用いた結果について初めて紹介する。
論文参考訳（メタデータ） (2024-03-05T23:12:47Z)
Generative Models for Simulation of KamLAND-Zen [0.0]
ニュートリノのない二重ベータ崩壊(0nubetabeta)の探索はニュートリノの性質に関する深い疑問に答える。発見を主張するには、0nubetabetaを模倣する検出器イベントの正確かつ効率的なシミュレーションが重要である。伝統的なモンテカルロシミュレーションは機械学習に基づく生成モデルによって補うことができる。
論文参考訳（メタデータ） (2023-12-22T01:47:16Z)
Physics-informed neural networks modeling for systems with moving immersed boundaries: application to an unsteady flow past a plunging foil [0.0]
移動体を過ぎる非定常流の代理モデルを構築するために, 没入型境界認識フレームワークが検討されている。 i)移動バウンダリ対応標準Navier-StokesベースPINN(MB-PINN)と(ii)移動バウンダリ対応IBMベースPINN(MB-IBM-PINN)の2種類のPINNが定式化されている。
論文参考訳（メタデータ） (2023-06-23T09:24:55Z)
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)
Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文参考訳（メタデータ） (2022-06-21T20:38:13Z)
SUPA: A Lightweight Diagnostic Simulator for Machine Learning in Particle Physics [0.0]
SUPAは, 簡易な粒子伝搬, 散乱, シャワー発生をシミュレーションしてデータを生成するアルゴリズムおよびソフトウェアパッケージである。提案したシミュレータは、デスクトップマシン上で毎秒数千の粒子シャワーを発生し、Geant4の最大6桁の速度を発生させる。
論文参考訳（メタデータ） (2022-02-10T13:14:12Z)
Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
論文参考訳（メタデータ） (2021-06-17T00:49:55Z)
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)
Object Rearrangement Using Learned Implicit Collision Functions [61.90305371998561]
本研究では,シーン内の6DOFオブジェクトのポーズに対して,シーンとクエリ対象点の雲を受け付け,衝突を予測できる学習的衝突モデルを提案する。我々は,テーブルトップ再構成タスクにおけるモデル予測経路積分(MPPI)ポリシーの一部として,学習された衝突モデルを活用する。学習モデルは従来のパイプラインよりも優れており、シミュレーションされた衝突クエリのデータセット上では9.8%の精度で学習精度が向上している。
論文参考訳（メタデータ） (2020-11-21T05:36:06Z)

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。