論文の概要: Machine Learning Neutrino-Nucleus Cross Sections

• arxiv url: http://arxiv.org/abs/2412.16303v1
• Date: Fri, 20 Dec 2024 19:29:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:55:37.881058
• Title: Machine Learning Neutrino-Nucleus Cross Sections
• Title（参考訳）: ニュートリノ-ヌクレウス断面積の機械学習
• Authors: Daniel C. Hackett, Joshua Isaacson, Shirley Weishi Li, Karla Tame-Narvaez, Michael L. Wagman,
• Abstract要約: 断面の正確なニューラルネットモデルが, 近接検出器データから学習可能であることを示す。 次に、シミュレーションされた遠距離検出器イベントを用いてニュートリノ振動解析を行い、モデル化された断面が真断面が正確に分かっている場合に得られる結果と一致した結果が得られることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Neutrino-nucleus scattering cross sections are critical theoretical inputs for long-baseline neutrino oscillation experiments. However, robust modeling of these cross sections remains challenging. For a simple but physically motivated toy model of the DUNE experiment, we demonstrate that an accurate neural-network model of the cross section -- leveraging Standard Model symmetries -- can be learned from near-detector data. We then perform a neutrino oscillation analysis with simulated far-detector events, finding that the modeled cross section achieves results consistent with what could be obtained if the true cross section were known exactly. This proof-of-principle study highlights the potential of future neutrino near-detector datasets and data-driven cross-section models.
• Abstract（参考訳）: ニュートリノ-核散乱断面積は、長いベースラインニュートリノ振動実験における重要な理論的入力である。 しかし、これらの断面の堅牢なモデリングは依然として困難である。 DUNE実験のシンプルだが物理的に動機づけられた玩具モデルに対し、標準モデル対称性を利用した断面の正確なニューラルネットワークモデルが、近接検出器データから学習できることを実証する。 次に、シミュレーションされた遠距離検出器イベントを用いてニュートリノ振動解析を行い、モデル化された断面が真断面が正確に分かっている場合に得られる結果と一致した結果が得られることを示した。 このプリンシプル・オブ・プリンシプル研究は、将来のニュートリノ近距離検出器データセットとデータ駆動断面積モデルの可能性を強調している。

関連論文リスト

• 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)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Designing Observables for Measurements with Deep Learning [0.12277343096128711]
  機械学習を用いて,対象とする観測対象を設計することを提案する。 ニューラルネットワーク出力の展開された微分断面は、関心のパラメータに関する最も多くの情報を含んでいる。 深部散乱の包括的測定に2つの物理モデルを用いたシミュレーションでこのアイデアを実証する。
  論文  参考訳（メタデータ） (2023-10-12T20:54:34Z)
• End-to-end Phase Field Model Discovery Combining Experimentation, Crowdsourcing, Simulation and Learning [9.763339269757227]
  エンド・ツー・エンドのフェーズ・フィールド・モデル探索のためのフェーズ・フィールド・ラボ・プラットフォームを提案する。 Phase-Field-Labは、(i)アノテーション時間を短縮する合理化されたアノテーションツール、(ii)データからフェーズフィールドモデルを自動的に学習するエンドツーエンドのニューラルモデル、(iii)新しいインターフェースと視覚化を組み合わせる。 我々のプラットフォームは極端条件下での材料中のナノ構造進化の解析に利用されている。
  論文  参考訳（メタデータ） (2023-09-13T22:44:04Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• 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 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)
• Learning neural network potentials from experimental data via Differentiable Trajectory Reweighting [0.0]
  ニューラルネットワーク(NN)電位を直接実験データから学習するトップダウンアプローチは、あまり注目されていない。 本稿では,時間非依存オブザーバのMDシミュレーションにより,微分を回避できるDiffTRe法を提案する。 本研究では,ダイヤモンドの原子モデルと粒度の粗い水モデルに対するNN電位の学習におけるDiffTReの有効性を示す。
  論文  参考訳（メタデータ） (2021-06-02T13:10:43Z)
• Phase Detection with Neural Networks: Interpreting the Black Box [58.720142291102135]
  ニューラルネットワーク(NN)は通常、予測の背後にある推論に対する洞察を妨げます。 本研究では,1次元拡張スピンレスFermi-Hubbardモデルの位相を半充足で予測するために,NNのブラックボックスをいかに影響関数が解き放つかを示す。
  論文  参考訳（メタデータ） (2020-04-09T17:45:45Z)

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。