論文の概要: Leveraging Reinforcement Learning, Genetic Algorithms and Transformers for background determination in particle physics

• arxiv url: http://arxiv.org/abs/2509.14894v1
• Date: Thu, 18 Sep 2025 12:17:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.206617
• Title: Leveraging Reinforcement Learning, Genetic Algorithms and Transformers for background determination in particle physics
• Title（参考訳）: 素粒子物理学における背景決定のための強化学習、遺伝的アルゴリズムおよび変換器の活用
• Abstract要約: 本稿では,美容ハドロン崩壊測定に影響を及ぼす重要な背景を明らかにするための新しい手法を提案する。 機械学習の観点から,RLと遺伝的アルゴリズムの相乗効果を利用した新しいアルゴリズムを提案する。 また, 崩壊を表すトークン列を扱うために, RLエージェントのトランスフォーマーアーキテクチャを組み込んだ。
• 参考スコア（独自算出の注目度）: 1.2995518455954995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Experimental studies of beauty hadron decays face significant challenges due to a wide range of backgrounds arising from the numerous possible decay channels with similar final states. For a particular signal decay, the process for ascertaining the most relevant background processes necessitates a detailed analysis of final state particles, potential misidentifications, and kinematic overlaps, which, due to computational limitations, is restricted to the simulation of only the most relevant backgrounds. Moreover, this process typically relies on the physicist's intuition and expertise, as no systematic method exists. This paper has two primary goals. First, from a particle physics perspective, we present a novel approach that utilises Reinforcement Learning (RL) to overcome the aforementioned challenges by systematically determining the critical backgrounds affecting beauty hadron decay measurements. While beauty hadron physics serves as the case study in this work, the proposed strategy is broadly adaptable to other types of particle physics measurements. Second, from a Machine Learning perspective, we introduce a novel algorithm which exploits the synergy between RL and Genetic Algorithms (GAs) for environments with highly sparse rewards and a large trajectory space. This strategy leverages GAs to efficiently explore the trajectory space and identify successful trajectories, which are used to guide the RL agent's training. Our method also incorporates a transformer architecture for the RL agent to handle token sequences representing decays.
• Abstract（参考訳）: 美のハドロン崩壊の実験的研究は、類似した最終状態を持つ多くの可能な崩壊チャネルから生じる幅広い背景のため、重大な課題に直面している。 特定の信号減衰に対して、最も関係の深い背景過程を確認するプロセスは、最終状態粒子、潜在的な誤同定、およびキネマティックオーバーラップの詳細な解析を必要とするが、これは計算上の制限のため、最も関係の深い背景のみのシミュレーションに制限される。 さらに、このプロセスは一般に物理学者の直観と専門知識に依存しており、体系的な手法は存在しない。 この論文には2つの主要な目標がある。 まず、素粒子物理学の観点から、上記の課題を克服するために強化学習(RL)を活用し、美容ハドロン崩壊測定に影響を及ぼす臨界背景を体系的に決定する新しいアプローチを提案する。 美容ハドロン物理学はこの研究のケーススタディとして機能するが、提案された戦略は他の種類の粒子物理学測定にも広く適用可能である。 第二に、機械学習の観点から、我々はRLと遺伝的アルゴリズム(GA)の相乗効果を利用する新しいアルゴリズムを導入する。 この戦略は、GAを活用して軌道空間を効率的に探索し、RLエージェントのトレーニングを導くために使用される軌道を成功させる。 また, 崩壊を表すトークン列を扱うために, RLエージェントのトランスフォーマーアーキテクチャを組み込んだ。

関連論文リスト

• The Rank and Gradient Lost in Non-stationarity: Sample Weight Decay for Mitigating Plasticity Loss in Reinforcement Learning [62.72522261010872]
  深部強化学習(RL)は、非定常性の性質により、可塑性の喪失に苦しむ。 ネットワーク最適化の理論的観点から, 可塑性損失問題について検討する。 勾配等級を復元する軽量な手法であるサンプル重み決定法を提案する。
  論文  参考訳（メタデータ） (2026-04-02T11:29:46Z)
• Opportunities in AI/ML for the Rubin LSST Dark Energy Science Collaboration [63.61423859450929]
  この白書は、DESCの主要な宇宙探査と横断的分析を通して、AI/MLの現在の状況を調査している。 本研究では,大規模ベイズ推定,物理インフォームド手法,検証フレームワーク,発見のための能動的学習など,主要な方法論研究の優先事項を明らかにする。
  論文  参考訳（メタデータ） (2026-01-20T18:46:42Z)
• Neural Graduated Assignment for Maximum Common Edge Subgraphs [11.555673504442755]
  本稿では,シンプルでスケーラブルで教師なし学習に基づくNGA(Neural Graduated Assignment)を提案する。 NGAは大規模インスタンスの計算時間とスケーラビリティを大幅に改善することを示す。 NGAの導入は、MCESの計算の大幅な進歩を示し、他の代入問題に対する洞察を提供する。
  論文  参考訳（メタデータ） (2025-05-18T09:43:35Z)
• Variational Pseudo Marginal Methods for Jet Reconstruction in Particle Physics [2.223804777595989]
  ジェット潜伏構造を推定するためのコンビニアル・シークエンシャルモンテカルロ法を提案する。 第2の貢献として、パラメータ学習のための変分推論アルゴリズムを開発するために、得られた推定値を利用する。 本研究では,コライダー物理生成モデルを用いて生成したデータを用いて実験を行い,本手法の有効性について述べる。
  論文  参考訳（メタデータ） (2024-06-05T13:18:55Z)
• Robust Anomaly Detection for Particle Physics Using Multi-Background Representation Learning [16.301828198874507]
  異常検出は、粒子物理学における新しい粒子やプロセスの発見を支援するための有望なツールである。 複数のバックグラウンド型から表現学習を用いて検出アルゴリズムを構築する。 本研究では,大型ハドロン衝突型加速器における粒子崩壊の高次元データセット上で,頑健なマルチバックグラウンド異常検出アルゴリズムの利点を実証する。
  論文  参考訳（メタデータ） (2024-01-16T19:00:20Z)
• Physics-Informed Neural Networks for an optimal counterdiabatic quantum computation [32.73124984242397]
  我々は,N_Q$量子ビットを持つ系からなる量子回路の最適化において,物理インフォームドニューラルネットワーク(PINN)の強度を活用して,逆ダイアバティック(CD)プロトコルに対処する新しい手法を提案する。 この手法の主な応用は、STO-3Gベースの2量子および4量子系で表される$mathrmH_2$と$mathrmLiH$分子である。
  論文  参考訳（メタデータ） (2023-09-08T16:55:39Z)
• Neural network analysis of neutron and X-ray reflectivity data: Incorporating prior knowledge for tackling the phase problem [141.5628276096321]
  本稿では,事前知識を利用して,より大規模なパラメータ空間上でのトレーニングプロセスを標準化する手法を提案する。 ボックスモデルパラメータ化を用いた多層構造を含む様々なシナリオにおいて,本手法の有効性を示す。 従来の手法とは対照的に,逆問題の複雑性を増大させると,我々の手法は好適にスケールする。
  論文  参考訳（メタデータ） (2023-06-28T11:15:53Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for Geometry-Agnostic System Identification [64.61198351207752]
  ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。 本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。 マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T18:59:50Z)
• The Preliminary Results on Analysis of TAIGA-IACT Images Using Convolutional Neural Networks [68.8204255655161]
  本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。 The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
  論文  参考訳（メタデータ） (2021-12-19T15:17:20Z)
• Studying Hadronization by Machine Learning Techniques [0.0]
  ハドロン化は非摂動過程であり、理論的な記述は第一原理から導出できない。 最終的には、ニューラルネットワークをトレーニングして、物理的プロセスの非線形および非摂動的特徴を学ぶことが可能になる。
  論文  参考訳（メタデータ） (2021-11-30T18:38:32Z)
• Where Should We Begin? A Low-Level Exploration of Weight Initialization Impact on Quantized Behaviour of Deep Neural Networks [93.4221402881609]
  異なる重みの初期化が重みの最終的な分布と異なるCNNアーキテクチャの活性化に与える影響について、詳細なアブレーション研究を行う。 我々の知る限りでは、ウェイトの初期化とその量子化行動に対する影響について、そのような低レベルで詳細な定量分析を行うのは、私たちは初めてである。
  論文  参考訳（メタデータ） (2020-11-30T06:54:28Z)

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。