論文の概要: Physics Instrument Design with Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2412.10237v1
• Date: Fri, 13 Dec 2024 16:08:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-16 15:01:44.354975
• Title: Physics Instrument Design with Reinforcement Learning
• Title（参考訳）: 強化学習による物理機器設計
• Authors: Shah Rukh Qasim, Patrick Owen, Nicola Serra,
• Abstract要約: 本稿では、勾配に基づく楽器最適化法に代わる物理機器の設計に強化学習(Reinforcement Learning, RL)を用いる場合について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We present a case for the use of Reinforcement Learning (RL) for the design of physics instrument as an alternative to gradient-based instrument-optimization methods. It's applicability is demonstrated using two empirical studies. One is longitudinal segmentation of calorimeters and the second is both transverse segmentation as well longitudinal placement of trackers in a spectrometer. Based on these experiments, we propose an alternative approach that offers unique advantages over differentiable programming and surrogate-based differentiable design optimization methods. First, Reinforcement Learning (RL) algorithms possess inherent exploratory capabilities, which help mitigate the risk of convergence to local optima. Second, this approach eliminates the necessity of constraining the design to a predefined detector model with fixed parameters. Instead, it allows for the flexible placement of a variable number of detector components and facilitates discrete decision-making. We then discuss the road map of how this idea can be extended into designing very complex instruments. The presented study sets the stage for a novel framework in physics instrument design, offering a scalable and efficient framework that can be pivotal for future projects such as the Future Circular Collider (FCC), where most optimized detectors are essential for exploring physics at unprecedented energy scales.
• Abstract（参考訳）: 本稿では、勾配に基づく楽器最適化法に代わる物理機器の設計に強化学習(Reinforcement Learning, RL)を用いる場合について述べる。 適用性は2つの実証的研究を用いて実証される。 1つはカロリーメータの縦断面積であり、もう1つは横断面積であり、また1つは分光計におけるトラッカーの縦断面積である。 これらの実験に基づいて、微分可能なプログラミングと代理ベースの微分可能な設計最適化法に対して、独特な利点をもたらす代替手法を提案する。 第一に、強化学習(RL)アルゴリズムは固有の探索能力を持ち、局所最適への収束のリスクを軽減する。 第二に、パラメータが固定された事前定義された検出器モデルに設計を制約する必要がなくなる。 代わりに、可変数の検出器コンポーネントの柔軟な配置を可能にし、離散的な決定を容易にする。 次に、このアイデアをいかにして非常に複雑な楽器の設計に拡張できるかのロードマップについて論じる。 提案した研究は、物理学機器設計の新しいフレームワークの舞台となるもので、先例のないエネルギースケールで物理学を探索する上で、ほとんどの最適化された検出器が不可欠であるFuture Circular Collider (FCC)のような将来のプロジェクトにとって重要な、スケーラブルで効率的なフレームワークを提供する。

関連論文リスト

• A mechanism-driven reinforcement learning framework for shape optimization of airfoils [0.32885740436059047]
  翼形状最適化のための機構駆動強化学習フレームワークを提案する。 強化学習法では、定常方程式の効率的な解法が用いられる。 ニューラルネットワークアーキテクチャは、気翼形状の微妙な変化に学習プロセスをより敏感にするために、注意機構に基づいて設計されている。
  論文  参考訳（メタデータ） (2024-03-07T08:48:42Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• Model-aware reinforcement learning for high-performance Bayesian experimental design in quantum metrology [0.4999814847776097]
  量子センサは、様々なパラメータにわたる実験者による操作を可能にすることで、推定中に制御の柔軟性を提供する。 量子力学、推定、仮説テストにおいて、幅広い問題を最適化できる汎用的な手順を導入する。 粒子フィルタリングに基づくモデル認識強化学習(RL)とベイズ推定を組み合わせた。
  論文  参考訳（メタデータ） (2023-12-28T12:04:15Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• DoE2Vec: Deep-learning Based Features for Exploratory Landscape Analysis [0.0]
  本研究では,地形特性を最適化するための変分オートエンコーダ(VAE)に基づく手法であるDoE2Vecを提案する。 古典的な探索的景観解析(ELA)法とは異なり,本手法では特徴工学は必要としない。 検証のために、潜伏再構成の品質を検査し、異なる実験を用いて潜伏表現を解析する。
  論文  参考訳（メタデータ） (2023-03-31T09:38:44Z)
• Design Space Exploration and Explanation via Conditional Variational Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
  本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。 CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
  論文  参考訳（メタデータ） (2022-11-29T17:28:31Z)
• DiffSkill: Skill Abstraction from Differentiable Physics for Deformable Object Manipulations with Tools [96.38972082580294]
  DiffSkillは、変形可能なオブジェクト操作タスクを解決するために、スキル抽象化に微分可能な物理シミュレータを使用する新しいフレームワークである。 特に、勾配に基づくシミュレーターから個々のツールを用いて、まず短距離のスキルを得る。 次に、RGBD画像を入力として取り込む実演軌跡から、ニューラルネットワークの抽象体を学習する。
  論文  参考訳（メタデータ） (2022-03-31T17:59:38Z)
• Machine Learning Framework for Quantum Sampling of Highly-Constrained, Continuous Optimization Problems [101.18253437732933]
  本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。 本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
  論文  参考訳（メタデータ） (2021-05-06T02:22:23Z)
• Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
  離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。 エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。 本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2020-11-10T19:31:29Z)
• Learning a Probabilistic Strategy for Computational Imaging Sensor Selection [16.553234762932938]
  本稿では,センサ設計のための確率的センササンプリング戦略を学習する物理制約付き,完全微分可能なオートエンコーダを提案する。 提案手法は,センサ選択の相関関係を2次完全接続型Isingモデルとして特徴付ける,システムに好まれるサンプリング分布を学習する。
  論文  参考訳（メタデータ） (2020-03-23T17:52:17Z)

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。