Fugu-MT 論文翻訳(概要): Re-optimization of a deep neural network model for electron-carbon scattering using new experimental data

論文の概要: Re-optimization of a deep neural network model for electron-carbon scattering using new experimental data

arxiv url: http://arxiv.org/abs/2508.00996v1
Date: Fri, 01 Aug 2025 18:05:38 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-05 18:25:21.655598
Title: Re-optimization of a deep neural network model for electron-carbon scattering using new experimental data
Title（参考訳）: 新しい実験データを用いた電子-炭素散乱のためのディープニューラルネットワークモデルの再最適化
Authors: Beata E. Kowal, Krzysztof M. Graczyk, Artur M. Ankowski, Rwik Dharmapal Banerjee, Jose L. Bonilla, Hemant Prasad, Jan T. Sobczyk,
Abstract要約: 包括的電子-炭素散乱のためのディープニューラルネットワークモデルを提案する。我々は最近の実験データと、深部非弾性散乱領域における古い測定を取り入れた。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present an updated deep neural network model for inclusive electron-carbon scattering. Using the bootstrap model [Phys.Rev.C 110 (2024) 2, 025501] as a prior, we incorporate recent experimental data, as well as older measurements in the deep inelastic scattering region, to derive a re-optimized posterior model. We examine the impact of these new inputs on model predictions and associated uncertainties. Finally, we evaluate the resulting cross-section predictions in the kinematic range relevant to the Hyper-Kamiokande and DUNE experiments.
Abstract（参考訳）: 包括的電子-炭素散乱のためのディープニューラルネットワークモデルを提案する。ブートストラップモデル [Phys.Rev.C 110 (2024) 2, 025501] を前駆体として, 最近の実験データと, 深部非弾性散乱領域における古い測定データを用いて, 再最適化後部モデルの導出を行った。これらの新たな入力がモデル予測および関連する不確実性に与える影響について検討する。最後に,Hyper-KamiokandeおよびDUNE実験に関連する運動領域における断面積予測について検討した。

関連論文リスト

Uncertainty quantification of neural network models of evolving processes via Langevin sampling [0.7329200485567827]
本稿では,履歴依存プロセスの一般的なモデルのための拡張性のある近似推論ハイパーネットワークフレームワークを提案する。化学反応と物質物理データを用いたアンサンブルサンプリングハイパーネットワークの性能を示す。
論文参考訳（メタデータ） (2025-04-21T04:45:40Z)
Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文参考訳（メタデータ） (2024-04-11T09:23:36Z)
Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文参考訳（メタデータ） (2024-02-19T02:08:09Z)
Analyzing Neural Network-Based Generative Diffusion Models through Convex Optimization [45.72323731094864]
本稿では,2層ニューラルネットワークを用いた拡散モデル解析のための理論的枠組みを提案する。我々は,1つの凸プログラムを解くことで,スコア予測のための浅層ニューラルネットワークのトレーニングが可能であることを証明した。本結果は, ニューラルネットワークに基づく拡散モデルが漸近的でない環境で何を学習するかを, 正確に評価するものである。
論文参考訳（メタデータ） (2024-02-03T00:20:25Z)
Deep Neural Networks for Semiparametric Frailty Models via H-likelihood [0.0]
本稿では、時間-時間データの予測のための新しいディープニューラルネットワークベースの脆弱性(DNN-FM)を提案する。新しいh-likelihoodモデルの合同推定器は、固定パラメータの最大値と、ランダムな欠陥の最良の非バイアス予測器を提供する。
論文参考訳（メタデータ） (2023-07-13T06:46:51Z)
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)
Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
論文参考訳（メタデータ） (2022-07-12T16:08:04Z)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)
A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
論文参考訳（メタデータ） (2020-10-27T17:56:14Z)
A robust low data solution: dimension prediction of semiconductor nanorods [5.389015968413988]
半導体ナノロッド(NR)の長さ,幅,アスペクト比を正確に予測するために,ロバストディープニューラルネットワークに基づく回帰アルゴリズムを開発した。深部ニューラルネットワークは、類似した分布を持つ原データと生成データの両方に対して、よく実行される予測を実証した回帰モデルの開発にさらに応用される。
論文参考訳（メタデータ） (2020-10-27T07:51:38Z)
Predicting nucleation near the spinodal in the Ising model using machine learning [3.5056930099070853]
畳み込みニューラルネットワーク(CNN)と2つのロジスティック回帰モデルを用いて、2次元イジングモデルにおける核生成の確率を予測する。 CNNはロングレンジイジングモデルのスピノダール付近のロジスティック回帰モデルより優れているが、クエンチがスピノダールに近づくと予測の精度が低下する。
論文参考訳（メタデータ） (2020-04-20T19:04:38Z)

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。