論文の概要: Enhancing low energy reconstruction and classification in KM3NeT/ORCA with transformers
- arxiv url: http://arxiv.org/abs/2511.18999v1
- Date: Mon, 24 Nov 2025 11:25:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:25.17705
- Title: Enhancing low energy reconstruction and classification in KM3NeT/ORCA with transformers
- Title（参考訳）: 変圧器を用いたKM3NeT/ORCAの低エネルギー化と分類
- Authors: Iván Mozún Mateo,
- Abstract要約: 本研究は, 物理および検出器設計に着想を得た注目マスクを組み込むことにより, 変圧器の強度を生かした。
この研究は、ある構成から別の構成への微調整を行う際に、検出器間で貴重な情報を保持するためのトランスフォーマーの有効性も示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The current KM3NeT/ORCA neutrino telescope, still under construction, has not yet reached its full potential in neutrino reconstruction capability. When training any deep learning model, no explicit information about the physics or the detector is provided, thus they remain unknown to the model. This study leverages the strengths of transformers by incorporating attention masks inspired by the physics and detector design, making the model understand both the telescope design and the neutrino physics measured on it. The study also shows the efficacy of transformers on retaining valuable information between detectors when doing fine-tuning from one configurations to another.
- Abstract（参考訳）: 現在のKM3NeT/ORCAニュートリノ望遠鏡はまだ建設中であり、ニュートリノの再構築能力の完全な可能性には達していない。
ディープラーニングモデルをトレーニングする場合、物理や検出器に関する明確な情報は提供されないため、モデルには未知のままである。
本研究は, 望遠鏡設計とニュートリノ物理の両方を理解するために, 物理および検出器設計に着想を得た注目マスクを組み込むことにより, 変圧器の強度を利用する。
この研究は、ある構成から別の構成への微調整を行う際に、検出器間で貴重な情報を保持するためのトランスフォーマーの有効性も示している。
関連論文リスト
- NuBench: An Open Benchmark for Deep Learning-Based Event Reconstruction in Neutrino Telescopes [0.0]
ニュートリノ望遠鏡における深層学習に基づくイベント再構成のためのオープンベンチマークであるNuBenchを紹介する。
NuBenchは、約1億3000万の電荷と中性電流のミューオンニュートリノ相互作用を含む7つの大規模なシミュレーションデータセットで構成されている。
論文 参考訳（メタデータ） (2025-11-17T08:08:01Z) - Quantum Visual Fields with Neural Amplitude Encoding [70.86293548779774]
本稿では2次元画像と3次元幾何場学習のための新しいタイプの量子入射ニューラル表現(QINR)を提案する。
QVFは古典的なデータを学習可能エネルギー多様体に接地したニューラル振幅符号化を用いて量子状態ベクトルに符号化する。
我々のアンサッツは、学習可能なパラメトリド量子回路の完全に絡み合った設計に従い、実際のヒルベルト空間で量子(単位)演算を行う。
論文 参考訳（メタデータ） (2025-08-14T17:59:52Z) - Enhancing Events in Neutrino Telescopes through Deep Learning-Driven Super-Resolution [0.0]
本稿では,深層学習駆動によるデータイベントの超解像を用いて,検出器媒質を介して光子輸送を学習する手法を提案する。
我々の戦略では、既存の検出器の幾何内に仮想'の光学モジュールを配置し、畳み込みニューラルネットワークをトレーニングし、これらの仮想光学モジュールのヒットを予測する。
論文 参考訳（メタデータ） (2024-08-16T01:20:27Z) - Neutrino Reconstruction in TRIDENT Based on Graph Neural Network [6.301679261460378]
トロピカルディープシーニュートリノ望遠鏡(TropIcal Deep-sea Neutrino Telescope, TRIDENT)は、南シナ海に位置する次世代ニュートリノ望遠鏡である。
論文 参考訳（メタデータ） (2024-01-27T06:57:24Z) - On the importance of catalyst-adsorbate 3D interactions for relaxed
energy predictions [98.70797778496366]
吸着剤の相対的な位置を無視しながら,OC20データセットの緩和エネルギーを予測できるかどうかを検討する。
結合サイト情報の削除は,期待通りに精度を低下させるが,修正モデルは極めて良好なMAEで緩和エネルギーを予測することができる。
論文 参考訳（メタデータ） (2023-10-10T14:57:04Z) - Interpretable Joint Event-Particle Reconstruction for Neutrino Physics
at NOvA with Sparse CNNs and Transformers [124.29621071934693]
本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。
TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。
このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
論文 参考訳（メタデータ） (2023-03-10T20:36:23Z) - Physically Explainable CNN for SAR Image Classification [59.63879146724284]
本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。
提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。
実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
論文 参考訳（メタデータ） (2021-10-27T03:30:18Z) - Deep-Learning-Based Kinematic Reconstruction for DUNE [7.1117771577210664]
Deep Underground Neutrino Experiment (DUNE)は、次世代の長周期ニュートリノ振動実験である。
最終状態粒子方向とエネルギーの再構成とニュートリノエネルギーのための2次元と3次元のCNNに基づく2つの手法を提案する。
論文 参考訳（メタデータ） (2020-12-11T08:15:23Z) - Phase Detection with Neural Networks: Interpreting the Black Box [58.720142291102135]
ニューラルネットワーク(NN)は通常、予測の背後にある推論に対する洞察を妨げます。
本研究では,1次元拡張スピンレスFermi-Hubbardモデルの位相を半充足で予測するために,NNのブラックボックスをいかに影響関数が解き放つかを示す。
論文 参考訳（メタデータ） (2020-04-09T17:45:45Z)
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。