論文の概要: TrackFormers Part 2: Enhanced Transformer-Based Models for High-Energy Physics Track Reconstruction

• arxiv url: http://arxiv.org/abs/2509.26411v1
• Date: Tue, 30 Sep 2025 15:38:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.600047
• Title: TrackFormers Part 2: Enhanced Transformer-Based Models for High-Energy Physics Track Reconstruction
• Title（参考訳）: トラックフォーマー その2:高エネルギー物理トラック再構築のためのトランスフォーマーモデルの改良
• Authors: Sascha Caron, Nadezhda Dobreva, Maarten Kimpel, Uraz Odyurt, Slav Pshenov, Roberto Ruiz de Austri Bazan, Eugene Shalugin, Zef Wolffs, Yue Zhao,
• Abstract要約: 高エネルギー物理実験は生成したデータ量で急速にエスカレートしている。 本研究では,ハイト間相関を考慮した損失関数の導入,トランスフォーマーの注意機構の詳細な調査,および高次物体の再構成に関する研究により,我々の研究を拡張した。
• 参考スコア（独自算出の注目度）: 3.324680086692124
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-Energy Physics experiments are rapidly escalating in generated data volume, a trend that will intensify with the upcoming High-Luminosity LHC upgrade. This surge in data necessitates critical revisions across the data processing pipeline, with particle track reconstruction being a prime candidate for improvement. In our previous work, we introduced "TrackFormers", a collection of Transformer-based one-shot encoder-only models that effectively associate hits with expected tracks. In this study, we extend our earlier efforts by incorporating loss functions that account for inter-hit correlations, conducting detailed investigations into (various) Transformer attention mechanisms, and a study on the reconstruction of higher-level objects. Furthermore we discuss new datasets that allow the training on hit level for a range of physics processes. These developments collectively aim to boost both the accuracy, and potentially the efficiency of our tracking models, offering a robust solution to meet the demands of next-generation high-energy physics experiments.
• Abstract（参考訳）: 高エネルギー物理実験は生成したデータ量で急速にエスカレートしている。 このデータの急増は、データ処理パイプライン全体の重要なリビジョンを必要とし、パーティクルトラックの再構築が改善の候補となる。 これはTransformerベースのワンショットエンコーダのみのモデルで、ヒットと期待されるトラックを効果的に関連付けるものです。 本研究では, ヒット間相関を考慮した損失関数の導入, 変圧器の注意機構の詳細な調査, および高次物体の再構成に関する研究により, これまでの取り組みを拡張した。 さらに,様々な物理プロセスにおいて,ヒットレベルのトレーニングを可能にする新しいデータセットについても論じる。 これらの開発は、次世代の高エネルギー物理実験の要求を満たすための堅牢なソリューションを提供することにより、精度と、我々の追跡モデルの効率の両方を高めることを目的としています。

関連論文リスト

• Efficient Training for Human Video Generation with Entropy-Guided Prioritized Progressive Learning [52.25669274734097]
  Ent-Progは、人間のビデオ生成における拡散モデルに適した効率的なトレーニングフレームワークである。 モデルパフォーマンスを維持しながら、トレーニング時間とGPUメモリ使用量の両方を削減する。
  論文  参考訳（メタデータ） (2025-11-26T07:36:37Z)
• Fine-tuning machine-learned particle-flow reconstruction for new detector geometries in future colliders [1.988691274281547]
  本研究では,高エネルギー粒子衝突装置における粒子流再構成を訓練した機械学習アルゴリズムにおいて,伝達学習能力を実証する。 我々の知る限り、これは粒子-流れ再構成のための完全なクロス・ディテクター・トランスファー学習研究としては初めてのものである。
  論文  参考訳（メタデータ） (2025-02-28T19:16:01Z)
• Unveil Benign Overfitting for Transformer in Vision: Training Dynamics, Convergence, and Generalization [88.5582111768376]
  本研究では, ソフトマックスを用いた自己保持層と, 勾配勾配下での完全連結層からなるトランスフォーマーの最適化について検討した。 この結果から,データモデルにおける信号対雑音比に基づいて,小さなテストエラー位相と大規模なテストエラー状態とを区別できるシャープ条件を確立した。
  論文  参考訳（メタデータ） (2024-09-28T13:24:11Z)
• TrackFormers: In Search of Transformer-Based Particle Tracking for the High-Luminosity LHC Era [2.9052912091435923]
  高エネルギー物理実験は、新しいイテレーション毎に複数倍のデータの増加に直面している。 このようなオーバーホールが必要なステップの1つは、粒子トラックの再構築、すなわち追跡のタスクである。 機械学習支援ソリューションは、大幅な改善が期待されている。
  論文  参考訳（メタデータ） (2024-07-09T18:47:25Z)
• Novel Approaches for ML-Assisted Particle Track Reconstruction and Hit Clustering [2.7999949281820276]
  軌道再構成は高エネルギー物理学(HEP)の重要な側面であり、主要な実験において重要な役割を果たしている。 我々は、簡易なシミュレータ(REDVID)を使用して、簡易性のために特別に構成されたトレーニングデータを生成する。 我々は、ヒットシーケンスをヒットシーケンスとして扱い、シーケンス変換問題をトラックする。
  論文  参考訳（メタデータ） (2024-05-27T16:23:50Z)
• OmniJet-$α$: The first cross-task foundation model for particle physics [0.0]
  ファンデーションモデルはマルチデータセットとマルチタスクの機械学習手法で、一度トレーニングされたら、様々なダウンストリームアプリケーションのために微調整できる。 我々は,この課題について,いくつかの点で大きな進展を報告している。 我々は、教師なし問題(ジェット世代)と教師なしタスク(ジェットタグ付け)の移行学習を、新しいOmniJet-$alpha$モデルで実証する。
  論文  参考訳（メタデータ） (2024-03-08T19:00:01Z)
• Leveraging the Power of Data Augmentation for Transformer-based Tracking [64.46371987827312]
  トラッキング用にカスタマイズされた2つのデータ拡張手法を提案する。 まず、動的探索半径機構と境界サンプルのシミュレーションにより、既存のランダムトリミングを最適化する。 第2に,背景干渉などの問題に対するモデルを可能にする,トークンレベルの機能混在強化戦略を提案する。
  論文  参考訳（メタデータ） (2023-09-15T09:18:54Z)
• Improved particle-flow event reconstruction with scalable neural networks for current and future particle detectors [1.4609888393206634]
  電子-陽電子衝突における事象再構成のためのスケーラブルな機械学習モデルについて, フル検出器シミュレーションに基づく検討を行った。 グラフニューラルネットワークとカーネルベースのトランスフォーマーを比較し、現実的な再構築を実現しつつ、操作を回避できることを実証する。 最良のグラフニューラルネットワークモデルでは、ルールベースのアルゴリズムと比較して、ジェット横運動量分解能が最大50%向上している。
  論文  参考訳（メタデータ） (2023-09-13T08:16:15Z)
• Emergent Agentic Transformer from Chain of Hindsight Experience [96.56164427726203]
  簡単なトランスフォーマーベースモデルが時間差と模倣学習に基づくアプローチの両方と競合することを示す。 単純なトランスフォーマーベースのモデルが時間差と模倣学習ベースのアプローチの両方で競合するのはこれが初めてである。
  論文  参考訳（メタデータ） (2023-05-26T00:43:02Z)
• 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)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)

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。