論文の概要: Reducing Simulation Dependence in Neutrino Telescopes with Masked Point Transformers

• arxiv url: http://arxiv.org/abs/2510.01733v1
• Date: Thu, 02 Oct 2025 07:18:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:21.03699
• Title: Reducing Simulation Dependence in Neutrino Telescopes with Masked Point Transformers
• Title（参考訳）: マスクポイント変換器を用いたニュートリノ望遠鏡のシミュレーション依存性の低減
• Authors: Felix J. Yu, Nicholas Kamp, Carlos A. Argüelles,
• Abstract要約: ニュートリノ望遠鏡のための最初の自己教師型訓練パイプラインを提示する。 トレーニングの大部分を実際のデータにシフトすることで、このアプローチはシミュレーションへの依存を最小限にする。 これはニュートリノ望遠鏡における従来の機械学習アプリケーションとは大きく異なる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning techniques in neutrino physics have traditionally relied on simulated data, which provides access to ground-truth labels. However, the accuracy of these simulations and the discrepancies between simulated and real data remain significant concerns, particularly for large-scale neutrino telescopes that operate in complex natural media. In recent years, self-supervised learning has emerged as a powerful paradigm for reducing dependence on labeled datasets. Here, we present the first self-supervised training pipeline for neutrino telescopes, leveraging point cloud transformers and masked autoencoders. By shifting the majority of training to real data, this approach minimizes reliance on simulations, thereby mitigating associated systematic uncertainties. This represents a fundamental departure from previous machine learning applications in neutrino telescopes, paving the way for substantial improvements in event reconstruction and classification.
• Abstract（参考訳）: ニュートリノ物理学における機械学習の技法は、伝統的にシミュレーションされたデータに依存しており、地平線ラベルへのアクセスを提供してきた。 しかし、これらのシミュレーションの精度とシミュレーションデータと実際のデータとの相違は、特に複雑な自然媒体で動作する大規模ニュートリノ望遠鏡にとって重要な懸念点である。 近年,ラベル付きデータセットへの依存を減らすための強力なパラダイムとして,自己教師型学習が登場している。 ここでは、点雲変換器とマスク付きオートエンコーダを活用した、ニュートリノ望遠鏡のための初の自己教師型トレーニングパイプラインを示す。 トレーニングの大部分を実際のデータにシフトすることで、シミュレーションへの依存を最小限に抑え、関連する系統的不確実性を緩和する。 これはニュートリノ望遠鏡における従来の機械学習アプリケーションとは大きく離れており、イベント再構成と分類の大幅な改善への道が開けている。

関連論文リスト

• Fusing CFD and measurement data using transfer learning [49.1574468325115]
  本稿では,伝送学習によるシミュレーションと計測データを組み合わせたニューラルネットワークに基づく非線形手法を提案する。 最初のステップでは、ニューラルネットワークがシミュレーションデータに基づいてトレーニングされ、分散量の空間的特徴を学習する。 第2のステップは、ニューラルネットワークモデル全体の小さなサブセットを再トレーニングするだけで、シミュレーションと測定の間の体系的なエラーを修正するために、測定データ上での変換学習である。
  論文  参考訳（メタデータ） (2025-07-28T07:21:46Z)
• Learning Efficient Representations of Neutrino Telescope Events [0.0]
  ニュートリノ望遠鏡は、宇宙で最も極端な環境で生成された粒子の希少な相互作用を検出する。 その大きさと背景相互作用の頻度から、これらの望遠鏡は膨大な量の高次元データを蓄積する。 本稿では, 変圧器を用いた変分オートエンコーダを用いてニュートリノ望遠鏡イベントを効率よく表現し, コンパクトかつ潜時表現を学習する, om2vecと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-17T02:07:54Z)
• Transformer-Powered Surrogates Close the ICF Simulation-Experiment Gap with Extremely Limited Data [24.24053233941972]
  本稿では,マルチモーダル出力シナリオにおける予測精度向上のためのトランスフォーマーを用いた新しい手法を提案する。 提案手法はトランスフォーマーアーキテクチャと新しいグラフベースのハイパーパラメータ最適化手法を統合する。 実世界のデータ10枚しか入手できない慣性閉じ込め核融合実験へのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-12-06T17:53:06Z)
• Physics-Enhanced Multi-fidelity Learning for Optical Surface Imprint [1.0878040851638]
  本稿では,MFNN(Multi-fidelity Neural Network)を用いた逆問題解法を提案する。 我々は、純粋なシミュレーションデータを通してNNモデルを構築し、次にトランスファーラーニングを介してsim-to-realギャップをブリッジする。 実際の実験データを収集することの難しさを考慮し、未知の物理を掘り出し、既知の物理を転写学習フレームワークに埋め込む。
  論文  参考訳（メタデータ） (2023-11-17T01:55:15Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Simulation-Based Parallel Training [55.41644538483948]
  このようなボトルネックを緩和するトレーニングフレームワークを設計するために、現在進行中の作業を紹介します。 トレーニングプロセスと並行してデータを生成する。 このバイアスをメモリバッファで軽減する戦略を提案する。
  論文  参考訳（メタデータ） (2022-11-08T09:31:25Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)

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。