Fugu-MT 論文翻訳(概要): Generative adversarial neural networks for simulating neutrino interactions

論文の概要: Generative adversarial neural networks for simulating neutrino interactions

arxiv url: http://arxiv.org/abs/2502.20244v1
Date: Thu, 27 Feb 2025 16:28:39 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-28 14:55:31.972879
Title: Generative adversarial neural networks for simulating neutrino interactions
Title（参考訳）: ニュートリノ相互作用のシミュレーションのための生成的対向ニューラルネットワーク
Authors: Jose L. Bonilla, Krzysztof M. Graczyk, Artur M. Ankowski, Rwik Dharmapal Banerjee, Beata E. Kowal, Hemant Prasad, Jan T. Sobczyk,
Abstract要約: 本稿では,ニュートリノ散乱現象を標準モンテカルロ発生器の代替としてシミュレートする新しい手法を提案する。数GeVのエネルギー領域におけるニュートリノ-炭素衝突をシミュレートするGANモデルを開発した。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: We propose a new approach to simulate neutrino scattering events as an alternative to the standard Monte Carlo generator approach. Generative adversarial neural network (GAN) models are developed to simulate neutrino-carbon collisions in the few-GeV energy range. The models produce scattering events for a given neutrino energy. GAN models are trained on simulation data from NuWro Monte Carlo event generator. Two GAN models have been obtained: one simulating only quasielastic neutrino-nucleus scatterings and another simulating all interactions at given neutrino energy. The performance of both models has been assessed using two statistical metrics. It is shown that both GAN models successfully reproduce the event distributions.
Abstract（参考訳）: 本稿では,ニュートリノ散乱現象を標準モンテカルロ発生器の代替としてシミュレートする新しい手法を提案する。数GeVのエネルギー領域におけるニュートリノ-炭素衝突をシミュレートするGANモデルを開発した。モデルは与えられたニュートリノエネルギーに対して散乱イベントを生成する。 GANモデルは、NuWro Monte Carloイベントジェネレータのシミュレーションデータに基づいて訓練される。 2つのGANモデルが得られた: 1つは準弾性ニュートリノ核散乱のみをシミュレートし、もう1つは与えられたニュートリノエネルギーにおける全ての相互作用をシミュレートする。両モデルの性能は2つの統計指標を用いて評価されている。両モデルとも, イベント分布の再現に成功している。

関連論文リスト

Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
論文参考訳（メタデータ） (2024-09-05T18:14:22Z)
von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
円値ランダム関数上の表現的および解釈可能な分布の族を探索する。結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
論文参考訳（メタデータ） (2024-06-19T01:57:21Z)
Generative Diffusion Models for Fast Simulations of Particle Collisions at CERN [3.2686289567336235]
高エネルギー物理シミュレーションでは、CERNの大型ハドロン衝突型加速器における粒子衝突実験の複雑さの解明に重要な役割を果たしている。近年の進歩は、最先端の生成機械学習手法として拡散モデルの有効性を強調している。拡散モデルに基づくALICE実験において,Zero Degree Calorimeter (ZDC) のシミュレーションを行った。
論文参考訳（メタデータ） (2024-06-05T13:11:53Z)
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)
Toward using GANs in astrophysical Monte-Carlo simulations [0.0]
我々は,GAN(Generative Adversarial Network)がMaxwell-J"uttner分布を統計的に複製できることを示す。コルモゴロフ・スミルノフ実験の平均値は、ニューラルネットワークによって生成されたサンプルに対して0.5であり、生成された分布が真の分布と区別できないことを示す。
論文参考訳（メタデータ） (2024-02-16T23:07:53Z)
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)
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)
Evaluating generative models in high energy physics [7.545095780512178]
生成モデルの故障モードに対する評価指標とその感度に関する最初の体系的レビューと調査を行う。我々はFr'echetとカーネル物理距離(FPDとKPD)の2つの新しい指標を提案し、その性能を計測する様々な実験を行った。提案手法の有効性を検証し, 新規な注目型生成逆数粒子変換器と, 最先端のメッセージ通過型生成逆数ネットワークジェットシミュレーションモデルとの比較を行った。
論文参考訳（メタデータ） (2022-11-18T15:36:28Z)
An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文参考訳（メタデータ） (2022-04-18T23:42:18Z)
Optimising hadronic collider simulations using amplitude neural networks [0.0]
我々はNJet C++ライブラリから1ループ振幅でニューラルネットワークモデルをトレーニングし、Sherpa Monte Carloイベントジェネレータとインターフェースする。その結果,分布の一致は良好であり,シミュレーション時間も30倍に短縮された。
論文参考訳（メタデータ） (2022-02-09T15:08:30Z)
Particle Dynamics for Learning EBMs [83.59335980576637]
エネルギーベースモデリングは教師なし学習への有望なアプローチであり、単一のモデルから多くの下流アプリケーションを生み出す。コントラスト的アプローチ(contrastive approach)"でエネルギーベースモデルを学習する際の主な困難は、各イテレーションで現在のエネルギー関数からサンプルを生成することである。本稿では,これらのサンプルを取得し,現行モデルからの粗大なMCMCサンプリングを回避するための代替手法を提案する。
論文参考訳（メタデータ） (2021-11-26T23:41:07Z)

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。