論文の概要: Simulation-based inference for Precision Neutrino Physics through Neural Monte Carlo tuning
- arxiv url: http://arxiv.org/abs/2507.23297v1
- Date: Thu, 31 Jul 2025 07:33:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-01 17:19:09.21969
- Title: Simulation-based inference for Precision Neutrino Physics through Neural Monte Carlo tuning
- Title(参考訳): ニューロモンテカルロチューニングによる精密ニュートリノ物理のシミュレーションによる推論
- Authors: A. Gavrikov, A. Serafini, D. Dolzhikov, A. Garfagnini, M. Gonchar, M. Grassi, R. Brugnera, V. Cerrone, L. V. D'Auria, R. M. Guizzetti, L. Lastrucci, G. Andronico, V. Antonelli, A. Barresi, D. Basilico, M. Beretta, A. Bergnoli, M. Borghesi, A. Brigatti, R. Bruno, A. Budano, B. Caccianiga, A. Cammi, R. Caruso, D. Chiesa, C. Clementi, C. Coletta, S. Dusini, A. Fabbri, G. Felici, G. Ferrante, M. G. Giammarchi, N. Giudice, N. Guardone, F. Houria, C. Landini, I. Lippi, L. Loi, P. Lombardi, F. Mantovani, S. M. Mari, A. Martini, L. Miramonti, M. Montuschi, M. Nastasi, D. Orestano, F. Ortica, A. Paoloni, L. Pelicci, E. Percalli, F. Petrucci, E. Previtali, G. Ranucci, A. C. Re, B. Ricci, A. Romani, C. Sirignano, M. Sisti, L. Stanco, E. Stanescu Farilla, V. Strati, M. D. C Torri, C. Tuvè, C. Venettacci, G. Verde, L. Votano,
- Abstract要約: シミュレーションに基づく推論フレームワークにおいて,ニューラルネットワークを用いた推定手法を提案する。
キャリブレーションデータの可能性をモデル化する2つの相補的ニューラルネットワーク密度推定器を開発した。
私たちのフレームワークは、特定のニーズに対して最適なメソッドを選択する柔軟性を提供します。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Precise modeling of detector energy response is crucial for next-generation neutrino experiments which present computational challenges due to lack of analytical likelihoods. We propose a solution using neural likelihood estimation within the simulation-based inference framework. We develop two complementary neural density estimators that model likelihoods of calibration data: conditional normalizing flows and a transformer-based regressor. We adopt JUNO - a large neutrino experiment - as a case study. The energy response of JUNO depends on several parameters, all of which should be tuned, given their non-linear behavior and strong correlations in the calibration data. To this end, we integrate the modeled likelihoods with Bayesian nested sampling for parameter inference, achieving uncertainties limited only by statistics with near-zero systematic biases. The normalizing flows model enables unbinned likelihood analysis, while the transformer provides an efficient binned alternative. By providing both options, our framework offers flexibility to choose the most appropriate method for specific needs. Finally, our approach establishes a template for similar applications across experimental neutrino and broader particle physics.
- Abstract(参考訳): 検出器エネルギー応答の高精度なモデリングは、解析的可能性の欠如による計算上の課題を示す次世代ニュートリノ実験に不可欠である。
シミュレーションに基づく推論フレームワークにおいて,ニューラルネットワークを用いた推定手法を提案する。
キャリブレーションデータの可能性(条件正規化フローとトランスフォーマーベース回帰器)をモデル化する2つの相補的ニューラル密度推定器を開発した。
ケーススタディでは、大きなニュートリノ実験であるJUNOを採用しています。
JUNOのエネルギー応答は、キャリブレーションデータにおける非線形な振る舞いと強い相関を考えると、調整すべきいくつかのパラメータに依存する。
この目的のために、パラメータ推論のためのベイズネストサンプリングとモデル付き可能性を統合し、ほぼゼロの系統的バイアスを持つ統計のみによって制限された不確実性を達成する。
正規化フローモデルでは、未結合の確率解析が可能であり、トランスフォーマーは効率的な双有の代替手段を提供する。
両方のオプションを提供することで、我々のフレームワークは特定のニーズに対して最も適切なメソッドを選択する柔軟性を提供します。
最後に,実験ニュートリノとより広い粒子物理学にまたがる類似の応用のテンプレートを確立する。
関連論文リスト
- A multi-dimensional quantum estimation and model learning framework based on variational Bayesian inference [3.7127285734321203]
本稿では,多数のモデルパラメータに対して高速かつ操作可能な共同モデル選択とパラメータ推定アルゴリズムを提案する。
このアルゴリズムは変分ベイズ推定(VBI)に基づいており、ターゲットの後方分布を近似する。
我々は,各パラメータの異なる競合モデルを選択するために,事前の正規化がいかに使用できるかを示す。
論文 参考訳(メタデータ) (2025-07-30T22:18:27Z) - Bayesian Circular Regression with von Mises Quasi-Processes [57.88921637944379]
本研究では、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。
後部推論のために,高速ギブズサンプリングに寄与するストラトノビッチ様拡張法を導入する。
本研究では,このモデルを用いて風向予測と走行歩行周期のパーセンテージを関節角度の関数として適用する実験を行った。
論文 参考訳(メタデータ) (2024-06-19T01:57:21Z) - Scaling and renormalization in high-dimensional regression [72.59731158970894]
リッジ回帰に関する最近の結果について統一的な視点を提示する。
我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。
我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
論文 参考訳(メタデータ) (2024-05-01T15:59:00Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-03T06:19:20Z) - 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) - Optimised Bayesian system identification in quantum devices [3.72081359624651]
本研究では,未知パラメータを動的モデルで推定する閉ループベイズ学習アルゴリズムを提案する。
シミュレーションキャリブレーションタスクと実験用シングルキュービットイオントラップシステムの両方でアルゴリズムの性能を実証する。
論文 参考訳(メタデータ) (2022-11-16T18:12:46Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Exhaustive Neural Importance Sampling applied to Monte Carlo event
generation [0.0]
Exhaustive Neural Smpling (ENIS) は、リジェクションサンプリングに適した提案密度を自動かつ効率的に求めるための、フローの正規化に基づく手法である。
本稿では,この手法がリジェクションアルゴリズムの共通問題をいかに解決するかを論じる。
論文 参考訳(メタデータ) (2020-05-26T13:45:45Z)
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。