論文の概要: Even Faster Simulations with Flow Matching: A Study of Zero Degree Calorimeter Responses

• arxiv url: http://arxiv.org/abs/2507.18811v1
• Date: Thu, 24 Jul 2025 21:21:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-28 16:16:48.760933
• Title: Even Faster Simulations with Flow Matching: A Study of Zero Degree Calorimeter Responses
• Title（参考訳）: 流れマッチングによるより高速なシミュレーション:ゼロDegree Calorimeter 応答の研究
• Authors: Maksymilian Wojnar,
• Abstract要約: 流れマッチング(FM)は、ALICE実験において、0度カロリーの高速シミュレーションのための代理モデルを開発するために用いられる。 本稿では,パラメータ数が極めて少ない高速生成モデルのトレーニングを可能にする効果的なトレーニング戦略を提案する。 FMモデルでは, 推定時間0.46ms, 推定時間1.20, 推定時間約109msに対して, ZNシミュレーションのワッサースタイン距離1.27を達成している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in generative neural networks, particularly flow matching (FM), have enabled the generation of high-fidelity samples while significantly reducing computational costs. A promising application of these models is accelerating simulations in high-energy physics (HEP), helping research institutions meet their increasing computational demands. In this work, we leverage FM to develop surrogate models for fast simulations of zero degree calorimeters in the ALICE experiment. We present an effective training strategy that enables the training of fast generative models with an exceptionally low number of parameters. This approach achieves state-of-the-art simulation fidelity for both neutron (ZN) and proton (ZP) detectors, while offering substantial reductions in computational costs compared to existing methods. Our FM model achieves a Wasserstein distance of 1.27 for the ZN simulation with an inference time of 0.46 ms per sample, compared to the current best of 1.20 with an inference time of approximately 109 ms. The latent FM model further improves the inference speed, reducing the sampling time to 0.026 ms per sample, with a minimal trade-off in accuracy. Similarly, our approach achieves a Wasserstein distance of 1.30 for the ZP simulation, outperforming the current best of 2.08. The source code is available at https://github.com/m-wojnar/faster_zdc.
• Abstract（参考訳）: 生成ニューラルネットワーク、特にフローマッチング(FM)の最近の進歩は、計算コストを大幅に削減しつつ、高忠実度サンプルの生成を可能にしている。 これらのモデルの有望な応用は、高エネルギー物理学(HEP)におけるシミュレーションの加速であり、研究機関が計算要求の増大に対応するのに役立つ。 本研究では、FMを用いて、ALICE実験における0度カロリーの高速シミュレーションのための代理モデルを開発する。 本稿では,パラメータ数が極めて少ない高速生成モデルのトレーニングを可能にする効果的なトレーニング戦略を提案する。 このアプローチは、中性子(ZN)と陽子(ZP)検出器の両方に対する最先端のシミュレーション忠実度を実現し、既存の手法と比較して計算コストを大幅に削減する。 本モデルでは,ZNシミュレーションにおいて,推定時間0.46msのワッサースタイン距離1.27を,推定時間約109msの現在の1.20と比較して達成する。 同様に、ZPシミュレーションのワッサーシュタイン距離は1.30であり、現在の2.08よりも優れている。 ソースコードはhttps://github.com/m-wojnar/faster_zdc.comで公開されている。

関連論文リスト

• A Surrogate Model for the Forward Design of Multi-layered Metasurface-based Radar Absorbing Structures [3.328784252410173]
  本稿では,多層準曲面RASの電磁(EM)応答の予測を著しく高速化する代理モデルを提案する。 提案したモデルは、99.9%のコサイン類似性を達成し、平均2乗誤差は1000エポック内の0.001である。
  論文  参考訳（メタデータ） (2025-05-14T09:54:00Z)
• Parallel simulation for sampling under isoperimetry and score-based diffusion models [56.39904484784127]
  データサイズが大きくなるにつれて、イテレーションコストの削減が重要な目標になります。 科学計算における初期値問題の並列シミュレーションの成功に触発されて,タスクをサンプリングするための並列Picard法を提案する。 本研究は,動力学に基づくサンプリング・拡散モデルの科学的計算におけるシミュレーション手法の潜在的利点を強調した。
  論文  参考訳（メタデータ） (2024-12-10T11:50:46Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Modeling flux tunability in Josephson Traveling Wave Parametric Amplifiers with an open-source frequency-domain simulator [0.0]
  Josephson Traveling Wave Parametric Amplifiers (JTWPAs) は量子技術における多くの実験の不可欠な部分である。 これらのデバイスは、単純な解析モデルでは完全に説明できない複雑な非線形挙動を示す。 WRSPICEやPSCAN2のようなJTWPAフラックスバイアスをモデル化できるオープンソースの数値ツールは、時間領域のアプローチに基づいている。
  論文  参考訳（メタデータ） (2024-08-30T13:48:16Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Scientific Machine Learning Based Reduced-Order Models for Plasma Turbulence Simulations [0.0]
  本稿では, プラズマ乱流シミュレーションのための非侵襲的科学機械学習 (SciML) 還元次数モデル (ROM) について検討する。 我々は,演算子推論(OpInf)に着目し,そのようなシミュレーションデータから低コストな物理ベースのROMを構築する。
  論文  参考訳（メタデータ） (2024-01-11T15:20:06Z)
• Machine Learning methods for simulating particle response in the Zero Degree Calorimeter at the ALICE experiment, CERN [8.980453507536017]
  現在、CERN GRIDの計算能力の半分以上が高エネルギー物理シミュレーションに使われている。 大型ハドロン衝突型加速器(LHC)の最新情報により、より効率的なシミュレーション手法の開発の必要性が高まっている。 機械学習を利用した問題に対する代替手法を提案する。
  論文  参考訳（メタデータ） (2023-06-23T16:45:46Z)
• Parallel Sampling of Diffusion Models [76.3124029406809]
  拡散モデルは強力な生成モデルであるが、サンプリングが遅い。 そこで本研究では,複数のステップを並列にdenoisingすることで,事前学習した拡散モデルのサンプリングを高速化するParaDiGMSを提案する。
  論文  参考訳（メタデータ） (2023-05-25T17:59:42Z)
• Generative Adversarial Networks for the fast simulation of the Time Projection Chamber responses at the MPD detector [0.0]
  このような高速シミュレーションモデルの基礎として,GAN(Generative Adversarial Networks)の適用性を示す。 我々のプロトタイプであるGANベースのTPCモデルは、詳細なシミュレーションに比べて桁違いに高速に動作します。
  論文  参考訳（メタデータ） (2022-03-30T14:31:50Z)
• 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)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)

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。