Fugu-MT 論文翻訳(概要): Extrapolating Jet Radiation with Autoregressive Transformers

論文の概要: Extrapolating Jet Radiation with Autoregressive Transformers

arxiv url: http://arxiv.org/abs/2412.12074v1
Date: Mon, 16 Dec 2024 18:46:43 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-17 13:54:30.212657
Title: Extrapolating Jet Radiation with Autoregressive Transformers
Title（参考訳）: 自己回帰変換器を用いた外挿ジェット放射
Authors: Anja Butter, François Charton, Javier Mariño Villadamigo, Ayodele Ore, Tilman Plehn, Jonas Spinner,
Abstract要約: 自己回帰変換器は、粒子の変動数でイベントを生成することができる。生成したジェットの数で、ジェット放射の分解率と外挿率をいかに学習できるかを示す。
参考スコア（独自算出の注目度）: 5.112826806339357
License:
Abstract: Generative networks are an exciting tool for fast LHC event generation. Usually, they are used to generate configurations with a fixed number of particles. Autoregressive transformers allow us to generate events with variable numbers of particles, very much in line with the physics of QCD jet radiation. We show how they can learn a factorized likelihood for jet radiation and extrapolate in terms of the number of generated jets. For this extrapolation, bootstrapping training data and training with modifications of the likelihood loss can be used.
Abstract（参考訳）: 生成ネットワークは、高速LHCイベント生成のためのエキサイティングなツールである。通常は、一定数の粒子で構成を生成するために使用される。自己回帰変換器は、QCDジェット放射の物理と非常によく一致して、様々な数の粒子を持つ事象を発生させることができる。生成したジェットの数で、ジェット放射の分解率と外挿率をいかに学習できるかを示す。この外挿のためには、ブートストラップトレーニングデータと、可能性損失の修正によるトレーニングを利用することができる。

関連論文リスト

Improved particle-flow event reconstruction with scalable neural networks for current and future particle detectors [1.4609888393206634]
電子-陽電子衝突における事象再構成のためのスケーラブルな機械学習モデルについて, フル検出器シミュレーションに基づく検討を行った。グラフニューラルネットワークとカーネルベースのトランスフォーマーを比較し、現実的な再構築を実現しつつ、操作を回避できることを実証する。最良のグラフニューラルネットワークモデルでは、ルールベースのアルゴリズムと比較して、ジェット横運動量分解能が最大50%向上している。
論文参考訳（メタデータ） (2023-09-13T08:16:15Z)
PC-JeDi: Diffusion for Particle Cloud Generation in High Energy Physics [0.8246494848934447]
我々は,PC-JeDiと呼ばれる高エネルギー物理学においてジェットを効率的に生成する新しい手法を提案する。本手法は, 粒子雲としてジェットを生成する作業に適した変圧器とともに, スコアベース拡散モデルを用いる。 PC-JeDiは、発生したジェットの質を評価するいくつかの指標で、現在の最先端手法と競合する性能を達成している。
論文参考訳（メタデータ） (2023-03-09T16:23:49Z)
Effective Pre-Training Objectives for Transformer-based Autoencoders [97.99741848756302]
トランスフォーマーエンコーダの効率,コスト,精度のトレードオフについて検討する。共通の目的の機能を組み合わせて、新しい効果的な事前学習アプローチを作成します。
論文参考訳（メタデータ） (2022-10-24T18:39:44Z)
Momentum Adversarial Distillation: Handling Large Distribution Shifts in Data-Free Knowledge Distillation [65.28708064066764]
モーメントム逆蒸留法(MAD)という簡便で効果的な方法を提案する。 MADは、ジェネレータの指数移動平均(EMA)コピーを保持し、ジェネレータとEMAジェネレータの合成サンプルを使用して生徒を訓練する。 ImageNetやPlaces365のような大きなデータセットを含む6つのベンチマークデータセットの実験では、競合する手法よりもMADの方が優れた性能を示している。
論文参考訳（メタデータ） (2022-09-21T13:53:56Z)
Explainable Machine Learning for Breakdown Prediction in High Gradient RF Cavities [7.39531359499484]
分解は、粒子加速器のRFキャビティにおいて最も多い制限要因の1つである。本稿では,CERN のコンパクト線形前駆体における分解衝突を発見するための機械学習戦略を提案する。
論文参考訳（メタデータ） (2022-02-10T07:32:18Z)
Particle Graph Autoencoders and Differentiable, Learned Energy Mover's Distance [0.0]
オートエンコーダは「粒子雲」表現でジェットで作動する。我々は,グラフニューラルネットワークを用いてエネルギー移動器距離の微分可能な近似を開発する。
論文参考訳（メタデータ） (2021-11-24T23:50:15Z)
Efficient pre-training objectives for Transformers [84.64393460397471]
本研究はトランスフォーマーモデルにおける高効率事前学習目標について検討する。マスクトークンの除去と損失時のアウトプット全体の考慮が,パフォーマンス向上に不可欠な選択であることを証明する。
論文参考訳（メタデータ） (2021-04-20T00:09:37Z)
Autoencoders for unsupervised anomaly detection in high energy physics [105.54048699217668]
QCDジェット画像の背景にあるトップジェット画像のタグ付けについて検討する。標準オートエンコーダ設定をモデル非依存の異常タガーとはみなせないことを示す。モデル非依存異常検出の課題に対する性能改善策を提案する。
論文参考訳（メタデータ） (2021-04-19T05:06:57Z)
Deep Transformer Networks for Time Series Classification: The NPP Safety Case [59.20947681019466]
時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
論文参考訳（メタデータ） (2021-04-09T14:26:25Z)
Hardware-efficient error-correcting codes for large nuclear spins [62.997667081978825]
本稿では、実験的に実現可能な演算を用いて、核スピンの位相反転を補正するハードウェア効率の量子プロトコルを提案する。結果は、修正されたスピンベースの量子ビットに対して実現可能なブループリントを提供する。
論文参考訳（メタデータ） (2021-03-15T17:14:48Z)
Simulation of electron-proton scattering events by a Feature-Augmented and Transformed Generative Adversarial Network (FAT-GAN) [4.995743387407634]
生成逆ネットワーク(GAN)技術を用いて電子-陽子散乱における粒子生成をシミュレートするイベントジェネレータを構築する。生成器によって容易に生成できる粒子モーメントから変換された特徴の集合を選択するGANを開発する。この技術は、Electron-Ion Colliderのような既存の加速器施設や将来の加速器施設の科学を強化する上で重要な役割を果たす。
論文参考訳（メタデータ） (2020-01-29T21:35:33Z)

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。