Fugu-MT 論文翻訳(概要): Physics-Informed Graph Neural Networks for Transverse Momentum Estimation in CMS Trigger Systems

論文の概要: Physics-Informed Graph Neural Networks for Transverse Momentum Estimation in CMS Trigger Systems

arxiv url: http://arxiv.org/abs/2507.19205v1
Date: Fri, 25 Jul 2025 12:19:57 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-28 16:16:48.94988
Title: Physics-Informed Graph Neural Networks for Transverse Momentum Estimation in CMS Trigger Systems
Title（参考訳）: CMSトリガー系における横モーメント推定のための物理インフォームグラフニューラルネットワーク
Authors: Md Abrar Jahin, Shahriar Soudeep, M. F. Mridha, Muhammad Mostafa Monowar, Md. Abdul Hamid,
Abstract要約: 高エネルギー物理におけるリアルタイム粒子横運動量(p_T$)推定は、厳密なハードウェア制約の下で効率的なアルゴリズムを要求する。本稿では,物理インフォームドグラフニューラルネットワーク(GNN)フレームワークを提案する。我々の共同設計手法は、既存のベースラインに比べて精度と効率のトレードオフが優れている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Real-time particle transverse momentum ($p_T$) estimation in high-energy physics demands algorithms that are both efficient and accurate under strict hardware constraints. Static machine learning models degrade under high pileup and lack physics-aware optimization, while generic graph neural networks (GNNs) often neglect domain structure critical for robust $p_T$ regression. We propose a physics-informed GNN framework that systematically encodes detector geometry and physical observables through four distinct graph construction strategies that systematically encode detector geometry and physical observables: station-as-node, feature-as-node, bending angle-centric, and pseudorapidity ($\eta$)-centric representations. This framework integrates these tailored graph structures with a novel Message Passing Layer (MPL), featuring intra-message attention and gated updates, and domain-specific loss functions incorporating $p_{T}$-distribution priors. Our co-design methodology yields superior accuracy-efficiency trade-offs compared to existing baselines. Extensive experiments on the CMS Trigger Dataset validate the approach: a station-informed EdgeConv model achieves a state-of-the-art MAE of 0.8525 with $\ge55\%$ fewer parameters than deep learning baselines, especially TabNet, while an $\eta$-centric MPL configuration also demonstrates improved accuracy with comparable efficiency. These results establish the promise of physics-guided GNNs for deployment in resource-constrained trigger systems.
Abstract（参考訳）: 高エネルギー物理におけるリアルタイム粒子横運動量(p_T$)推定は、厳密なハードウェア制約の下で効率的かつ正確であるアルゴリズムを必要とする。静的機械学習モデルは高い積み上げの下で劣化し、物理を意識した最適化が欠けているが、ジェネリックグラフニューラルネットワーク(GNN)は堅牢な$p_T$回帰に不可欠なドメイン構造を無視していることが多い。物理インフォームドGNNフレームワークは、検出器幾何と物理可観測物を体系的に符号化する4つの異なるグラフ構築戦略により、検出器幾何と物理可観測物を体系的に符号化する。このフレームワークは、これらの調整されたグラフ構造と、メッセージ内の注意とゲート更新、および$p_{T}$-distributionを組み込んだドメイン固有の損失関数を備えた新しいメッセージパッシング層(MPL)を統合する。我々の共同設計手法は、既存のベースラインに比べて精度と効率のトレードオフが優れている。ステーションインフォームドのEdgeConvモデルは、ディープラーニングベースライン、特にTabNetよりもパラメータが小さい0.8525の最先端のMAEを達成する一方、$\eta$中心のMPL構成では、同等の効率で精度が向上している。これらの結果から,資源制約型トリガシステムにおける物理誘導型GNNの展開が期待できる。

関連論文リスト

Toward accurate RUL and SOH estimation using reinforced graph-based PINNs enhanced with dynamic weights [0.0]
本稿では,物理に基づく指導と高度時相学習を組み合わせた枠組みを提案する。 Q-ラーニングエージェントは、物理インフォームド損失項に重みを動的に割り当て、リアルタイム産業システム全体の一般化を改善する。 RULおよびSOH推定タスクでは、提案手法は最先端モデルよりも一貫して優れている。
論文参考訳（メタデータ） (2025-07-13T19:49:12Z)
Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。非滑らかな正規化はしばしば機械学習タスクに組み込まれる。本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
論文参考訳（メタデータ） (2025-04-17T08:32:25Z)
Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文参考訳（メタデータ） (2024-10-29T19:02:54Z)
Positional Encoder Graph Quantile Neural Networks for Geographic Data [4.277516034244117]
本稿では,PE-GNNと量子ニューラルネットワーク,部分的に単調なニューラルブロック,ポストホックリカレーション技術を組み合わせた新しいフレームワークを提案する。 PE-GQNNは、ターゲット分布に関する最小の仮定で柔軟で堅牢な条件密度推定を可能にし、空間データを超えたタスクに自然に拡張する。
論文参考訳（メタデータ） (2024-09-27T16:02:12Z)
DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
論文参考訳（メタデータ） (2024-06-04T07:24:51Z)
Quantifying the Optimization and Generalization Advantages of Graph Neural Networks Over Multilayer Perceptrons [50.33260238739837]
グラフネットワーク(GNN)は、グラフ構造化データから学習する際、顕著な能力を示した。最適化と一般化の観点から、GNNと一般化を比較した分析の欠如がまだ残っている。
論文参考訳（メタデータ） (2023-06-24T10:21:11Z)
Equivariant Graph Neural Networks for Charged Particle Tracking [1.6626046865692057]
EuclidNetは荷電粒子追跡のための新しい対称性等価GNNである。 TrackMLデータセット上の最先端のインタラクションネットワークに対してベンチマークを行う。以上の結果から,EuclidNetは小規模なモデルスケールでほぼ最先端の性能を達成できることが示唆された。
論文参考訳（メタデータ） (2023-04-11T15:43:32Z)
GNN at the Edge: Cost-Efficient Graph Neural Network Processing over Distributed Edge Servers [24.109721494781592]
グラフニューラルネットワーク(GNN)はまだ探索中であり、その広範な採用に対する大きな違いを示している。本稿では,多層ヘテロジニアスエッジネットワーク上での分散GNN処理のコスト最適化について検討する。提案手法は, 高速収束速度で95.8%以上のコスト削減を行い, デファクトベースラインよりも優れた性能が得られることを示す。
論文参考訳（メタデータ） (2022-10-31T13:03:16Z)
Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
論文参考訳（メタデータ） (2022-10-28T16:59:51Z)
Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
論文参考訳（メタデータ） (2022-07-18T14:23:31Z)
Edge Graph Neural Networks for Massive MIMO Detection [15.970981766599035]
無線通信システムにおいて、MIMO(Massive Multiple-Input Multiple-Out)検出は重要な問題である。従来のBreief Propagation(BP)検出器はループグラフでは性能が良くないが、最近のグラフニューラルネットワーク(GNN)ベースの手法はBPの欠点を克服し、優れた性能を実現することができる。
論文参考訳（メタデータ） (2022-05-22T08:01:47Z)
Distance-Weighted Graph Neural Networks on FPGAs for Real-Time Particle Reconstruction in High Energy Physics [11.125632758828266]
FPGA上で1$mumathrms未満のレイテンシで実行できる距離重み付きグラフネットワークの設計方法について論じる。本研究では,粒子衝突型加速器で動作する次世代熱量計における粒子の再構成と同定に関連する代表的課題について考察する。我々は、圧縮されたモデルをファームウェアに変換し、FPGA上で実装する。
論文参考訳（メタデータ） (2020-08-08T21:26:31Z)

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。