論文の概要: Mind the Gap: Navigating Inference with Optimal Transport Maps

• arxiv url: http://arxiv.org/abs/2507.08867v1
• Date: Wed, 09 Jul 2025 16:28:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:21.655998
• Title: Mind the Gap: Navigating Inference with Optimal Transport Maps
• Title（参考訳）: Mind the Gap: 最適なトランスポートマップで推論をナビゲートする
• Authors: Malte Algren, Tobias Golling, Francesco Armando Di Bello, Christopher Pollard,
• Abstract要約: 本稿では, 最適輸送に基づくキャリブレーション手法を提案する。 これは粒子物理学における「適切に校正された基礎モデル」を実現するための重要なステップである。 より広範に、この校正フレームワークは、科学全体にわたる高次元シミュレーションの修正に広く応用されている。
• 参考スコア（独自算出の注目度）: 0.873811641236639
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning (ML) techniques have recently enabled enormous gains in sensitivity across the sciences. In particle physics, much of this progress has relied on excellent simulations of a wide range of physical processes. However, due to the sophistication of modern machine learning (ML) algorithms and their reliance on high-quality training samples, discrepancies between simulation and experimental data can significantly limit the effectiveness of ML techniques. In this work, we present a solution to this ``mis-specification'' problem: a calibration approach based on optimal transport, which we apply to high-dimensional simulations for the first time. We demonstrate the performance of our approach through jet tagging, using a CMS-inspired dataset. A 128-dimensional internal jet representation from a powerful general-purpose classifier is studied; after calibrating this internal ``latent'' representation, we find that a wide variety of quantities derived from it for downstream tasks are also properly calibrated: using this calibrated high-dimensional representation, powerful new applications of jet flavor information can be utilized in LHC analyses. This is a key step toward allowing properly-calibrated ``foundation models'' in particle physics. More broadly, this calibration framework has broad applications for correcting high-dimensional simulations across the sciences.
• Abstract（参考訳）: 機械学習(ML)技術は、最近、科学全体の感度を大幅に向上させた。 素粒子物理学では、この進歩の多くは幅広い物理過程の優れたシミュレーションに依存している。 しかし、現代の機械学習(ML)アルゴリズムの高度化と高品質なトレーニングサンプルへの依存により、シミュレーションと実験データの相違は、ML技術の有効性を著しく制限することができる。 本研究では,この<mis-specification'問題に対する解として,最適輸送に基づくキャリブレーション手法を提案する。 CMSにインスパイアされたデータセットを用いて,ジェットタグによるアプローチの性能を示す。 強力な汎用分類器からの128次元内部ジェット表現について検討し、この内部の ` `latent'' 表現を校正した後、下流タスクのために派生した多種多様な量も適切に校正され、この校正された高次元表現を用いて、LHC解析にジェットフレーバー情報の強力な新しい応用が利用できるようになった。 これは粒子物理学において「基礎モデル」を適切に校正するための重要なステップである。 より広範に、この校正フレームワークは、科学全体にわたる高次元シミュレーションの修正に広く応用されている。

関連論文リスト

• Geometric Operator Learning with Optimal Transport [77.16909146519227]
  複素測地上での偏微分方程式(PDE)に対する演算子学習に最適輸送(OT)を統合することを提案する。 表面に焦点を当てた3次元シミュレーションでは、OTベースのニューラルオペレーターが表面形状を2次元パラメータ化潜在空間に埋め込む。 ShapeNet-Car と DrivAerNet-Car を用いたレイノルズ平均化 Navier-Stokes 方程式 (RANS) を用いた実験により,提案手法は精度の向上と計算コストの削減を図った。
  論文  参考訳（メタデータ） (2025-07-26T21:28:25Z)
• PICT -- A Differentiable, GPU-Accelerated Multi-Block PISO Solver for Simulation-Coupled Learning Tasks in Fluid Dynamics [59.38498811984876]
  我々はPyTorchで符号化された可変圧単純化解器であるPICTをGPU(Graphics-Processing-unit)をサポートした流体シミュレータとして提案する。 まず,様々なベンチマークにおいて,フォワードシミュレーションと導出した勾配の精度を検証した。 2次元, 3次元の複雑な乱流モデルの学習には, 解法によって得られる勾配が有効であることを示す。
  論文  参考訳（メタデータ） (2025-05-22T17:55:10Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• MACK: Mismodeling Addressed with Contrastive Knowledge [0.6099917303150076]
  機械学習モデルはより複雑になるにつれて、このシミュレーションと実験によって収集された実際のデータの違いにますます敏感になる。 本稿では、この負の効果を大幅に軽減できるコントラスト学習に基づく一般的な方法論を提案する。 大型ハドロン衝突型加速器におけるジェットタグの課題を用いたこの手法の有効性を実証するが、高エネルギー物理学の分野内外における幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2024-10-17T18:18:41Z)
• Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
  本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。 我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。 シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
  論文  参考訳（メタデータ） (2024-08-22T07:33:11Z)
• Towards Foundation Models for Scientific Machine Learning: Characterizing Scaling and Transfer Behavior [32.74388989649232]
  我々は、科学機械学習(SciML)の応用において、事前学習をどのように利用できるかを研究する。 これらのモデルを微調整すると、モデルのサイズが大きくなるにつれてパフォーマンスが向上することがわかった。
  論文  参考訳（メタデータ） (2023-06-01T00:32:59Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• 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)
• Generic Lithography Modeling with Dual-band Optics-Inspired Neural Networks [52.200624127512874]
  我々は、リソグラフィの基礎となる光学物理を考慮に入れたデュアルバンド光インスパイアされたニューラルネットワーク設計を導入する。 提案手法は, タイルサイズが1nm2/ピクセル解像度で最初に公表された金属/金属層輪郭シミュレーションである。 また,従来のリソグラフィーシミュレータよりも精度1%の精度で85倍の高速化を実現した。
  論文  参考訳（メタデータ） (2022-03-12T08:08:50Z)
• Application of an automated machine learning-genetic algorithm (AutoML-GA) coupled with computational fluid dynamics simulations for rapid engine design optimization [0.0]
  本研究は,内燃機関のサロゲート最適化のための自動アクティブラーニング手法であるAutoML-GAについて述べる。 遺伝的アルゴリズムを用いて、機械学習サロゲート表面上の設計最適点を特定する。 その結果,AutoML-GAはCFDシミュレーションの少ない精度で最適化できることがわかった。
  論文  参考訳（メタデータ） (2021-01-07T17:50:52Z)
• Macroscopic Traffic Flow Modeling with Physics Regularized Gaussian Process: Generalized Formulations [5.827236278192557]
  本研究では,物理正規化ガウス過程(PRGP)という新しいモデリングフレームワークを提案する。 この新しいアプローチは、物理モデル、すなわち古典的なトラフィックフローモデルをガウスのプロセスアーキテクチャにエンコードし、機械学習のトレーニングプロセスを規則化する。 提案手法の有効性を証明するため,ユタ州I-15高速道路から収集した実世界のデータセットについて実験的検討を行った。
  論文  参考訳（メタデータ） (2020-07-14T17:27:23Z)
• Macroscopic Traffic Flow Modeling with Physics Regularized Gaussian Process: A New Insight into Machine Learning Applications [14.164058812512371]
  本研究では,古典的トラフィックフローモデルを機械学習アーキテクチャにエンコードする,物理正規化機械学習(PRML)という新しいモデリングフレームワークを提案する。 提案手法の有効性を実証するため,ユタ州I-15高速道路から収集した実世界のデータセットについて実験的検討を行った。
  論文  参考訳（メタデータ） (2020-02-06T17:22:20Z)

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。