論文の概要: End-to-End Optimal Detector Design with Mutual Information Surrogates
- arxiv url: http://arxiv.org/abs/2503.14342v1
- Date: Tue, 18 Mar 2025 15:23:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-19 14:14:16.972426
- Title: End-to-End Optimal Detector Design with Mutual Information Surrogates
- Title（参考訳）: 相互情報サロゲートを用いたエンド・ツー・エンド最適検出器設計
- Authors: Kinga Anna Wozniak, Stephen Mulligan, Jan Kieseler, Markus Klute, Francois Fleuret, Tobias Golling,
- Abstract要約: 本稿では,局所深層学習(DL)サロゲートを用いた高エネルギー物理検出器の終端ブラックボックス最適化のための新しい手法を提案する。
本研究は, 現場で一般的に使用されている標準再建基準に加えて, 相互情報の情報理論指標について検討する。
筆者らは,(1)局所サロゲートを用いたエンドツーエンドのブラックボックス最適化は,検出器設計の実践的かつ説得力のあるアプローチであり,(2)情報に基づく相互最適化は,最先端物理インフォームド手法と密に一致した設計選択をもたらす。
- 参考スコア（独自算出の注目度）: 1.7042756021131187
- License:
- Abstract: We introduce a novel approach for end-to-end black-box optimization of high energy physics (HEP) detectors using local deep learning (DL) surrogates. These surrogates approximate a scalar objective function that encapsulates the complex interplay of particle-matter interactions and physics analysis goals. In addition to a standard reconstruction-based metric commonly used in the field, we investigate the information-theoretic metric of mutual information. Unlike traditional methods, mutual information is inherently task-agnostic, offering a broader optimization paradigm that is less constrained by predefined targets. We demonstrate the effectiveness of our method in a realistic physics analysis scenario: optimizing the thicknesses of calorimeter detector layers based on simulated particle interactions. The surrogate model learns to approximate objective gradients, enabling efficient optimization with respect to energy resolution. Our findings reveal three key insights: (1) end-to-end black-box optimization using local surrogates is a practical and compelling approach for detector design, providing direct optimization of detector parameters in alignment with physics analysis goals; (2) mutual information-based optimization yields design choices that closely match those from state-of-the-art physics-informed methods, indicating that these approaches operate near optimality and reinforcing their reliability in HEP detector design; and (3) information-theoretic methods provide a powerful, generalizable framework for optimizing scientific instruments. By reframing the optimization process through an information-theoretic lens rather than domain-specific heuristics, mutual information enables the exploration of new avenues for discovery beyond conventional approaches.
- Abstract（参考訳）: 本研究では,高エネルギー物理(HEP)検出器をローカル深層学習(DL)サロゲートを用いて終端から終端までのブラックボックス最適化を行う手法を提案する。
これらのサロゲートは、粒子-物質相互作用と物理解析目標の複雑な相互作用をカプセル化するスカラー目的関数に近似する。
本研究は, 現場で一般的に使用されている標準再建基準に加えて, 相互情報の情報理論指標について検討する。
従来の手法とは異なり、相互情報は本質的にタスクに依存しないものであり、事前定義された目標に制約されないより広範な最適化パラダイムを提供する。
本手法の有効性を現実的な物理解析シナリオで実証し, 粒子間相互作用のシミュレーションに基づいて, 検出器層の厚さを最適化する。
代理モデルは目標勾配を近似することを学び、エネルギー分解能に対する効率的な最適化を可能にする。
その結果,(1)局所サロゲートを用いたエンドツーエンドのブラックボックス最適化は,物理解析目標に従って検出器パラメータを直接最適化する,実用的で説得力のある手法であり,(2)情報に基づく相互最適化は,最先端の物理インフォームド手法と密接に一致する設計選択を導出し,これらの手法がHEP検出器設計における信頼性を向上する,(3)情報理論手法は,科学的機器を最適化するための強力で一般化可能なフレームワークを提供する,という3つの重要な洞察を得た。
ドメイン固有のヒューリスティックスではなく情報理論レンズを通して最適化プロセスを再定義することにより、相互情報は従来のアプローチを超えた発見のための新たな道の探索を可能にする。
関連論文リスト
- A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。
これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。
本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
論文 参考訳（メタデータ） (2024-12-18T14:11:15Z) - Exploring End-to-end Differentiable Neural Charged Particle Tracking -- A Loss Landscape Perspective [0.0]
粒子追跡のためのE2E差分型決定型学習手法を提案する。
離散的な代入操作の微分可能なバリエーションは、効率的なネットワーク最適化を可能にすることを示す。
E2Eの微分性は、勾配情報の一般利用に加えて、予測不安定性を緩和するロバスト粒子追跡のための重要なツールである、と我々は主張する。
論文 参考訳（メタデータ） (2024-07-18T11:42:58Z) - Enhanced Bayesian Optimization via Preferential Modeling of Abstract
Properties [49.351577714596544]
本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。
優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
論文 参考訳（メタデータ） (2024-02-27T09:23:13Z) - End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳（メタデータ） (2024-02-12T16:33:35Z) - TREET: TRansfer Entropy Estimation via Transformer [1.1510009152620668]
伝達エントロピー(英: Transfer Entropy, TE)は、プロセス間の情報の方向の流れを明らかにする情報理論における測度である。
本研究は,変圧器を用いた定常過程のTE推定手法であるTransfer Entropy Estimation via Transformers (TREET)を提案する。
論文 参考訳（メタデータ） (2024-02-10T09:53:21Z) - Interactive Hyperparameter Optimization in Multi-Objective Problems via
Preference Learning [65.51668094117802]
我々は多目的機械学習(ML)に適した人間中心型対話型HPO手法を提案する。
ユーザが自分のニーズに最も適した指標を推測する代わりに、私たちのアプローチは自動的に適切な指標を学習します。
論文 参考訳（メタデータ） (2023-09-07T09:22:05Z) - Photonic Structures Optimization Using Highly Data-Efficient Deep
Learning: Application To Nanofin And Annular Groove Phase Masks [40.11095094521714]
メタ表面は、薄膜光学の領域における光特性の操作のための柔軟なフレームワークを提供する。
本研究の目的は,これらのデバイスに対するサロゲート最適化フレームワークの導入である。
本フレームワークは、天文高コントラストイメージングへの応用に適した2種類の渦位相マスク(VPM)の開発に応用される。
論文 参考訳（メタデータ） (2023-09-05T07:19:14Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - Interaction-Aware Sensitivity Analysis for Aerodynamic Optimization
Results using Information Theory [0.07614628596146601]
エンジニアリング設計プロセスにおいて重要な問題は、設計パラメータがパフォーマンスに最も影響を与えることを理解することである。
本稿では、最近導入された情報理論手法と推定アルゴリズムを用いて、最適化結果において最も影響力のある入力パラメータを見つけることを提案する。
論文 参考訳（メタデータ） (2021-12-10T15:41:56Z) - Conservative Objective Models for Effective Offline Model-Based
Optimization [78.19085445065845]
計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。
本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。
COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
論文 参考訳（メタデータ） (2021-07-14T17:55:28Z) - Objective-Sensitive Principal Component Analysis for High-Dimensional
Inverse Problems [0.0]
本稿では,大規模乱数場の適応的,微分可能なパラメータ化手法を提案する。
開発した手法は主成分分析(PCA)に基づくが,目的関数の振る舞いを考慮した主成分の純粋にデータ駆動に基づく基礎を変更する。
最適パラメータ分解のための3つのアルゴリズムを2次元合成履歴マッチングの目的に適用した。
論文 参考訳（メタデータ） (2020-06-02T18:51:17Z)
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。