論文の概要: SEAL - A Symmetry EncourAging Loss for High Energy Physics

• arxiv url: http://arxiv.org/abs/2511.01982v1
• Date: Mon, 03 Nov 2025 19:00:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.653952
• Title: SEAL - A Symmetry EncourAging Loss for High Energy Physics
• Title（参考訳）: SEAL - 高エネルギー物理のための対称性向上損失
• Authors: Pradyun Hebbar, Thandikire Madula, Vinicius Mikuni, Benjamin Nachman, Nadav Outmezguine, Inbar Savoray,
• Abstract要約: 対称性を明示的に尊重するマシンラーニングモデルの構築は、専用のコンポーネントを必要とするため、難しい場合がある。 我々は,モデルが正確な対称性を強制するのではなく,学習過程における追加対称性の重要性を決定できるようなソフト制約を導入する。
• 参考スコア（独自算出の注目度）: 0.005211875900848231
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physical symmetries provide a strong inductive bias for constructing functions to analyze data. In particular, this bias may improve robustness, data efficiency, and interpretability of machine learning models. However, building machine learning models that explicitly respect symmetries can be difficult due to the dedicated components required. Moreover, real-world experiments may not exactly respect fundamental symmetries at the level of finite granularities and energy thresholds. In this work, we explore an alternative approach to create symmetry-aware machine learning models. We introduce soft constraints that allow the model to decide the importance of added symmetries during the learning process instead of enforcing exact symmetries. We investigate two complementary approaches, one that penalizes the model based on specific transformations of the inputs and one inspired by group theory and infinitesimal transformations of the inputs. Using top quark jet tagging and Lorentz equivariance as examples, we observe that the addition of the soft constraints leads to more robust performance while requiring negligible changes to current state-of-the-art models.
• Abstract（参考訳）: 物理対称性は、データを解析する関数を構成するために強い誘導バイアスを与える。 特に、このバイアスは、機械学習モデルの堅牢性、データ効率、解釈可能性を改善する可能性がある。 しかし、対称性を明示的に尊重する機械学習モデルの構築は、専用のコンポーネントを必要とするため困難である。 さらに、実世界の実験は、有限粒度とエネルギー閾値のレベルでの基本的な対称性を厳密には尊重しないかもしれない。 本研究では,対称性を考慮した機械学習モデルを構築するための代替手法について検討する。 我々は,モデルが正確な対称性を強制するのではなく,学習過程における追加対称性の重要性を決定できるようなソフト制約を導入する。 入力の特定の変換に基づいてモデルをペナライズする2つの補完的アプローチと、入力の群論と無限小変換にインスパイアされた1つのアプローチについて検討する。 トップクォークジェットタグとローレンツの等式を例として用いて、ソフト制約の追加は、現在の最先端モデルに無視できない変更を必要とする一方で、より堅牢な性能をもたらすことを観察する。

関連論文リスト

• Latent Mixture of Symmetries for Sample-Efficient Dynamic Learning [7.722898209589864]
  工学系におけるモデルに基づく制御と強化学習には,ダイナミクスの学習が不可欠である。 複雑な力学測定から,対称性を重畳した潜在因子の混合を捉える表現モデルであるLatent Mixture of Symmetries (Latent MoS)を提案する。
  論文  参考訳（メタデータ） (2025-10-04T00:06:31Z)
• Probing the effects of broken symmetries in machine learning [0.0]
  我々は,非対称モデルがデータから対称性を学習できることを示す。 我々は、対称性の破れによって、直接的または間接的に影響を受けやすい物理的観測物に特に焦点を合わせ、モデルが補間的でバルクな状態で使用されるとき、無視可能な結果を見つける。
  論文  参考訳（メタデータ） (2024-06-25T17:34:09Z)
• A Generative Model of Symmetry Transformations [44.87295754993983]
  我々はデータの近似対称性を明示的に捉えることを目的とした生成モデルを構築した。 我々は、アフィンおよび色変換の下で対称性を捕捉する能力を実証的に実証した。
  論文  参考訳（メタデータ） (2024-03-04T11:32:18Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Learning Layer-wise Equivariances Automatically using Gradients [66.81218780702125]
  畳み込みは等価対称性をニューラルネットワークにエンコードし、より優れた一般化性能をもたらす。 対称性は、ネットワークが表現できる機能、事前に指定する必要、適応できない機能に対して、固定されたハード制約を提供する。 私たちのゴールは、勾配を使ってデータから自動的に学習できるフレキシブル対称性の制約を可能にすることです。
  論文  参考訳（メタデータ） (2023-10-09T20:22:43Z)
• FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
  データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。 本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
  論文  参考訳（メタデータ） (2023-04-28T21:48:31Z)
• The Surprising Effectiveness of Equivariant Models in Domains with Latent Symmetry [6.716931832076628]
  領域対称性と正確に一致しない対称性制約を課すことは、環境における真の対称性を学ぶのに非常に有用であることを示す。 ロボット操作・制御問題における教師付き学習と強化学習の両方において,同変モデルが潜在対称性を持つ領域における非同変手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2022-11-16T21:51:55Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
  機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。 物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
  論文  参考訳（メタデータ） (2022-03-11T18:27:04Z)

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。