論文の概要: An interpretable unsupervised representation learning for high precision measurement in particle physics

• arxiv url: http://arxiv.org/abs/2511.22246v1
• Date: Thu, 27 Nov 2025 09:18:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.474983
• Title: An interpretable unsupervised representation learning for high precision measurement in particle physics
• Title（参考訳）: 粒子物理学における高精度計測のための解釈不可能な非教師あり表現学習
• Authors: Xing-Jian Lv, De-Xing Miao, Zi-Jun Xu, Jian-Chun Wang,
• Abstract要約: HistoAEは、教師なしの表現学習ネットワークであり、カスタムヒストグラムに基づく損失がある。 粒子の電荷と衝突位置に対応する解釈可能な2次元潜在空間を学習する。 その結果、教師なしのディープラーニングモデルにより、物理的に有意かつ定量的に測定できることが示された。
• 参考スコア（独自算出の注目度）: 0.7049738935364297
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised learning has been widely applied to various tasks in particle physics. However, existing models lack precise control over their learned representations, limiting physical interpretability and hindering their use for accurate measurements. We propose the Histogram AutoEncoder (HistoAE), an unsupervised representation learning network featuring a custom histogram-based loss that enforces a physically structured latent space. Applied to silicon microstrip detectors, HistoAE learns an interpretable two-dimensional latent space corresponding to the particle's charge and impact position. After simple post-processing, it achieves a charge resolution of $0.25\,e$ and a position resolution of $3\,μ\mathrm{m}$ on beam-test data, comparable to the conventional approach. These results demonstrate that unsupervised deep learning models can enable physically meaningful and quantitatively precise measurements. Moreover, the generative capacity of HistoAE enables straightforward extensions to fast detector simulations.
• Abstract（参考訳）: 教師なし学習は粒子物理学の様々なタスクに広く応用されている。 しかし、既存のモデルは、学習した表現を正確に制御できず、物理的解釈可能性を制限するとともに、正確な測定に使用を妨げている。 物理的に構造化された潜在空間を強制する独自のヒストグラムに基づく損失を特徴とする非教師付き表現学習ネットワークであるHistogram AutoEncoder(HistoAE)を提案する。 シリコンマイクロストリップ検出器に適用されたHistoAEは、粒子の電荷と衝突位置に対応する解釈可能な2次元潜在空間を学習する。 単純な後処理の後、$0.25\,e$の電荷分解能と3,μ\mathrm{m}$のビームテストデータに対する位置分解能が従来の手法に匹敵する。 これらの結果は、教師なしのディープラーニングモデルにより、物理的に有意かつ定量的に測定できることを示している。 さらに、HistoAEの生成能力は高速検出器シミュレーションへの簡単な拡張を可能にする。

関連論文リスト

• Latent Representation Learning in Heavy-Ion Collisions with MaskPoint Transformer [2.6610943214001765]
  本稿では,トランスフォーマーベースのオートエンコーダについて,自己教師付き事前学習と教師付き微調整という2段階のパラダイムで学習した。 エンコーダはラベルのないHICデータから直接潜在表現を学習し、コンパクトで情報豊富な特徴空間を提供する。 その結果,HICにおける特徴学習の汎用的かつ堅牢な基盤として2段階の枠組みを確立し,クォークグルーオンプラズマ特性のより強力な解析への扉を開くことができた。
  論文  参考訳（メタデータ） (2025-10-08T06:27:10Z)
• MASIV: Toward Material-Agnostic System Identification from Videos [76.36666848173141]
  MASIVは、物質に依存しないシステム識別のためのビジョンベースのフレームワークである。 学習可能なニューラルモデルを採用し、シーン固有の物質を事前に仮定することなく、オブジェクトのダイナミクスを推定する。 幾何的精度、レンダリング品質、一般化能力において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2025-08-01T23:23:45Z)
• Hamiltonian Learning using Machine Learning Models Trained with Continuous Measurements [0.0]
  我々は最近の機械学習モデルを用いて、量子ビットの連続弱測定を入力としてハミルトンパラメータを推定する作業を構築した。 本モデルでは,(1)弱測定トレーニングレコードを既知のハミルトンパラメータでラベル付けできる教師なし学習と,(2)ラベルを使用できない教師なし学習の2つの設定について検討する。
  論文  参考訳（メタデータ） (2024-04-08T13:50:50Z)
• Designing Observables for Measurements with Deep Learning [0.12277343096128711]
  機械学習を用いて,対象とする観測対象を設計することを提案する。 ニューラルネットワーク出力の展開された微分断面は、関心のパラメータに関する最も多くの情報を含んでいる。 深部散乱の包括的測定に2つの物理モデルを用いたシミュレーションでこのアイデアを実証する。
  論文  参考訳（メタデータ） (2023-10-12T20:54:34Z)
• Towards Scale-Aware, Robust, and Generalizable Unsupervised Monocular Depth Estimation by Integrating IMU Motion Dynamics [74.1720528573331]
  教師なし単眼深度と自我運動推定は近年広く研究されている。 我々は、視覚情報とIMUモーションダイナミクスを統合した新しいスケールアウェアフレームワークDynaDepthを提案する。 我々は、KITTIおよびMake3Dデータセット上で広範囲な実験とシミュレーションを行うことにより、DynaDepthの有効性を検証する。
  論文  参考訳（メタデータ） (2022-07-11T07:50:22Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)
• Information-Theoretic Odometry Learning [83.36195426897768]
  生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。 提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
  論文  参考訳（メタデータ） (2022-03-11T02:37:35Z)
• Single-shot self-supervised particle tracking [0.0]
  本研究では,1枚の未ラベル画像からサブピクセル精度で物体の追跡を学習する新しいディープラーニング手法を提案する。 LodeSTARは従来の手法よりも精度が高いことを示す。 単一のラベルのないイメージでディープラーニングモデルをトレーニングする機能のおかげで、LodeSTARは高品質の顕微鏡分析パイプラインの開発を加速することができる。
  論文  参考訳（メタデータ） (2022-02-28T05:02:20Z)
• Unsupervised Scale-consistent Depth Learning from Video [131.3074342883371]
  本研究では,単眼深度推定器SC-Depthを提案する。 スケール一貫性予測の能力により,我々の単分子学習深層ネットワークは簡単にORB-SLAM2システムに統合可能であることを示す。 提案したハイブリッドPseudo-RGBD SLAMは、KITTIにおいて魅力的な結果を示し、追加のトレーニングなしでKAISTデータセットにうまく一般化する。
  論文  参考訳（メタデータ） (2021-05-25T02:17:56Z)

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。