論文の概要: EveNet: A Foundation Model for Particle Collision Data Analysis

• arxiv url: http://arxiv.org/abs/2601.17126v1
• Date: Fri, 23 Jan 2026 19:01:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.295908
• Title: EveNet: A Foundation Model for Particle Collision Data Analysis
• Title（参考訳）: EveNet: 粒子衝突データ解析の基礎モデル
• Authors: Ting-Hsiang Hsu, Bai-Hong Zhou, Qibin Liu, Yue Xu, Shu Li, George Wei-Shu Hou, Benjamin Nachman, Shih-Chieh Hsu, Vinicius Mikuni, Yuan-Tang Chou, Yulei Zhang,
• Abstract要約: EveNetは5億回のシミュレートされた衝突イベントに事前訓練されたイベントレベルの基礎モデルである。 共有パーティクルクラウド表現を活用することで、EveNetはさまざまなタスクで最先端のベースラインを上回っます。
• 参考スコア（独自算出の注目度）: 11.464004875705067
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While deep learning is transforming data analysis in high-energy physics, computational challenges limit its potential. We address these challenges in the context of collider physics by introducing EveNet, an event-level foundation model pretrained on 500 million simulated collision events using a hybrid objective of self-supervised learning and physics-informed supervision. By leveraging a shared particle-cloud representation, EveNet outperforms state-of-the-art baselines across diverse tasks, including searches for heavy resonances and exotic Higgs decays, and demonstrates exceptional data efficiency in low-statistics regimes. Crucially, we validate the transferability of the model to experimental data by rediscovering the $Υ$ meson in CMS Open Data and show its capacity for precision physics through the robust extraction of quantum correlation observables stable against systematic uncertainties. These results indicate that EveNet can successfully encode the fundamental physical structure of particle interactions, which offers a unified and resource-efficient framework to accelerate discovery at current and future colliders.
• Abstract（参考訳）: ディープラーニングは高エネルギー物理学におけるデータ分析を変革しているが、計算上の課題はその可能性を制限する。 EveNetは,5億回の模擬衝突イベントを事前訓練したイベントレベル基礎モデルであり,自己教師型学習と物理インフォームド・インフォメーションのハイブリッド目的を用いて,これらの課題に対処する。 共有パーティクルクラウド表現を活用することで、EveNetは重共鳴やエキゾチックなヒッグス崩壊の探索など、さまざまなタスクで最先端のベースラインを上回り、低統計体制において例外的なデータ効率を示す。 重要な点として,CMS Open Data の$$$中間子を再発見することにより,実験データへのモデルの転送可能性を検証するとともに,系統的不確実性に対して安定な量子相関観測器のロバスト抽出による高精度物理のキャパシティを示す。 これらの結果から,EveNetは粒子相互作用の基本的な物理構造をコード化することができ,現在の衝突点の発見を加速するための統一的で資源効率の高いフレームワークを提供する。

関連論文リスト

• Qutrits for physics at the LHC [0.0]
  粒子物理学の標準モデルでは説明されていない異常事象は、重要な理論的、実験的、計算上の課題を引き起こす。 HL-LHC(High Luminosity Large Hadron Collider)のような次世代の衝突型加速器は、データ処理、信号再構成、分析を必要とする。 本研究は,高エネルギー物理データにおける異常検出における量子機械学習モデルの利用について検討する。
  論文  参考訳（メタデータ） (2025-10-15T18:32:09Z)
• Mixture-of-Experts Graph Transformers for Interpretable Particle Collision Detection [36.56642608984189]
  本稿では,グラフトランスフォーマーモデルとMixture-of-Expertレイヤを組み合わせることで,高い予測性能を実現する手法を提案する。 我々は、ATLAS実験からシミュレーションイベントのモデルを評価し、希少な超対称性信号イベントの識別に焦点をあてた。 このアプローチは、高エネルギー物理学に適用された機械学習手法における説明可能性の重要性を浮き彫りにする。
  論文  参考訳（メタデータ） (2025-01-06T23:28:19Z)
• Enhancing High-Energy Particle Physics Collision Analysis through Graph Data Attribution Techniques [0.0]
  本稿では、シミュレーション粒子衝突データセットを用いて、グラフ分類パイプライン内の影響分析を統合する。 グラフニューラルネットワークを初等訓練に用いることにより,学習サンプルの同定に勾配に基づくデータ影響法を適用した。 破棄された要素を分析することで、イベント分類タスクに関するさらなる洞察を得ることができる。
  論文  参考訳（メタデータ） (2024-07-20T12:40:03Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
  スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。 提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
  論文  参考訳（メタデータ） (2021-03-02T03:09:06Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• GINNs: Graph-Informed Neural Networks for Multiscale Physics [1.1470070927586016]
  Graph-Informed Neural Network (GINN)は、ディープラーニングと確率的グラフィカルモデル(PGM)を組み合わせたハイブリッドアプローチである。 GINNは、厳密な信頼区間を持つ関連する非ガウスススキュードQoIのカーネル密度推定を生成する。
  論文  参考訳（メタデータ） (2020-06-26T05:47:45Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。