論文の概要: Towards a Self-Driving Trigger at the LHC: Adaptive Response in Real Time

• arxiv url: http://arxiv.org/abs/2601.08910v1
• Date: Tue, 13 Jan 2026 19:00:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.137384
• Title: Towards a Self-Driving Trigger at the LHC: Adaptive Response in Real Time
• Title（参考訳）: LHCにおける自律走行トリガーに向けて:リアルタイムでの適応応答
• Authors: Shaghayegh Emami, Cecilia Tosciri, Giovanna Salvi, Zixin Ding, Yuxin Chen, Abhijith Gandrakota, Christian Herwig, David W. Miller, Jennifer Ngadiuba, Nhan Tran,
• Abstract要約: リアルタイムデータフィルタリングと選択は、非常に高速なデータストリームを処理する必要があります。 これらのシステムは、通常、選択基準の静的で手書きのメニューとして設計されている。 我々は、リソースを再配置し、リアルタイムに閾値を動的に調整する自動運転トリガーの概念を探求する。
• 参考スコア（独自算出の注目度）: 8.632121079404772
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time data filtering and selection -- or trigger -- systems at high-throughput scientific facilities such as the experiments at the Large Hadron Collider (LHC) must process extremely high-rate data streams under stringent bandwidth, latency, and storage constraints. Yet these systems are typically designed as static, hand-tuned menus of selection criteria grounded in prior knowledge and simulation. In this work, we further explore the concept of a self-driving trigger, an autonomous data-filtering framework that reallocates resources and adjusts thresholds dynamically in real-time to optimize signal efficiency, rate stability, and computational cost as instrumentation and environmental conditions evolve. We introduce a benchmark ecosystem to emulate realistic collider scenarios and demonstrate real-time optimization of a menu including canonical energy sum triggers as well as modern anomaly-detection algorithms that target non-standard event topologies using machine learning. Using simulated data streams and publicly available collision data from the Compact Muon Solenoid (CMS) experiment, we demonstrate the capability to dynamically and automatically optimize trigger performance under specific cost objectives without manual retuning. Our adaptive strategy shifts trigger design from static menus with heuristic tuning to intelligent, automated, data-driven control, unlocking greater flexibility and discovery potential in future high-energy physics analyses.
• Abstract（参考訳）: LHC(Large Hadron Collider)の実験のような高スループットの科学施設のリアルタイムデータフィルタリングと選択(あるいはトリガー)システムは、帯域幅、レイテンシ、ストレージ制約の下で非常に高速なデータストリームを処理する必要がある。 しかし、これらのシステムは一般に、事前知識とシミュレーションに基づく選択基準の静的で手作業によるメニューとして設計されている。 本研究では、信号効率、レート安定性、計算コストを最適化するために、リソースをリアルタイムに再配置し、しきい値を動的に調整する自動データフィルタリングフレームワークである、自動運転トリガーの概念をさらに探求する。 我々は、現実的なコライダーシナリオをエミュレートするベンチマークエコシステムを導入し、機械学習を用いて非標準イベントトポロジをターゲットとする現代の異常検出アルゴリズムと同様に、標準エネルギー和トリガを含むメニューのリアルタイム最適化を実演する。 シミュレーションデータストリームとCMS(Compact Muon Solenoid)実験の公開衝突データを用いて,手動で調整することなく,特定のコスト目標下でのトリガ性能を動的かつ自動で最適化できることを実証した。 我々の適応戦略は、設計を、ヒューリスティックチューニングによる静的メニューから、インテリジェントで自動化されたデータ駆動制御に移行し、将来の高エネルギー物理分析における柔軟性と発見可能性を高める。

関連論文リスト

• Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
  本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。 MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。 MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
  論文  参考訳（メタデータ） (2025-11-26T17:01:41Z)
• Data-Assimilated Model-Based Reinforcement Learning for Partially Observed Chaotic Flows [3.7960472831772765]
  本稿では,部分観測可能性と雑音測定を行うシステムのためのデータ同化モデルベースRL(DA-MBRL)フレームワークを提案する。 状態推定から最適制御戦略を学習するために,非政治アクター批判アルゴリズムを用いる。 この枠組みは倉本-シヴァインスキーシュ方程式で検証され、時間的にカオス的な流れを安定化させる効果を実証した。
  論文  参考訳（メタデータ） (2025-04-23T10:12:53Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• SONNET: Enhancing Time Delay Estimation by Leveraging Simulated Audio [17.811771707446926]
  学習に基づく手法は、合成データにもとづいても、新しい実世界のデータに基づいてGCC-PHATを著しく上回り得ることを示す。 トレーニングされたモデルであるSONNETは、リアルタイムに実行可能で、多くの実データアプリケーションのために、最初から新しいデータに取り組んでいます。
  論文  参考訳（メタデータ） (2024-11-20T10:23:21Z)
• Fine-Tuning Hybrid Physics-Informed Neural Networks for Vehicle Dynamics Model Estimation [2.432448600920501]
  本稿では、教師付きおよび教師なしの物理インフォームドニューラルネットワーク(PINN)を統合したFTHD法を提案する。 FTHDは、より小さなトレーニングデータセットを使用して、事前トレーニングされたDeep Dynamics Model(DDM)を微調整する。 拡張カルマンフィルタ(EKF)はFTHD内に埋め込まれ、ノイズの多い実世界のデータを効果的に管理し、正確な騒音を確実にする。 その結果, パラメータ推定精度は従来のモデルより大幅に向上し, 既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-09-29T10:33:07Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• Environment Transformer and Policy Optimization for Model-Based Offline Reinforcement Learning [25.684201757101267]
  本研究では環境変換器と呼ばれる不確実性を考慮したシーケンスモデリングアーキテクチャを提案する。 遷移力学と報酬関数の正確なモデリングにより、環境変換器は任意の計画、動的プログラミング、オフラインRLのためのポリシー最適化アルゴリズムと組み合わせることができる。
  論文  参考訳（メタデータ） (2023-03-07T11:26:09Z)
• Towards an Interpretable Data-driven Trigger System for High-throughput Physics Facilities [7.939382824995354]
  高スループットデータフィルタリングとトリガシステムを設計するための新しいデータ駆動アプローチを紹介します。 私たちの目標は、どのデータイベントを維持するかを決定するために、最小限のランタイムコストでデータ駆動フィルタリングシステムを設計することです。 現在のパラダイムにおける非局所的非効率性を考慮するために、解釈可能な予測モデリングとコストに敏感な学習から重要な洞察を紹介します。
  論文  参考訳（メタデータ） (2021-04-14T05:01:32Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)

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。