Fugu-MT 論文翻訳(概要): PhyGHT: Physics-Guided HyperGraph Transformer for Signal Purification at the HL-LHC

論文の概要: PhyGHT: Physics-Guided HyperGraph Transformer for Signal Purification at the HL-LHC

arxiv url: http://arxiv.org/abs/2602.20475v1
Date: Tue, 24 Feb 2026 02:07:33 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-25 17:34:53.576443
Title: PhyGHT: Physics-Guided HyperGraph Transformer for Signal Purification at the HL-LHC
Title（参考訳）: PhyGHT:HL-LHC信号浄化用物理誘導ハイパーグラフ変換器
Authors: Mohammed Rakib, Luke Vaughan, Shivang Patel, Flera Rizatdinova, Alexander Khanov, Atriya Sen,
Abstract要約: 物理誘導型ハイパーグラフ変換器(PhyGHT)は,距離認識型局所グラフとグローバル自己注意を組み合わせたハイブリッドアーキテクチャである。極端積み上げ条件をモデル化するために,トップクォーク対生成のシミュレーションデータセットを新たにリリースする。 PhyGHTは、信号のエネルギーと質量補正係数を予測する際に、最先端のベースラインを上回っている。
参考スコア（独自算出の注目度）: 37.00785552609802
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The High-Luminosity Large Hadron Collider (HL-LHC) at CERN will produce unprecedented datasets capable of revealing fundamental properties of the universe. However, realizing its discovery potential faces a significant challenge: extracting small signal fractions from overwhelming backgrounds dominated by approximately 200 simultaneous pileup collisions. This extreme noise severely distorts the physical observables required for accurate reconstruction. To address this, we introduce the Physics-Guided Hypergraph Transformer (PhyGHT), a hybrid architecture that combines distance-aware local graph attention with global self-attention to mirror the physical topology of particle showers formed in proton-proton collisions. Crucially, we integrate a Pileup Suppression Gate (PSG), an interpretable, physics-constrained mechanism that explicitly learns to filter soft noise prior to hypergraph aggregation. To validate our approach, we release a novel simulated dataset of top-quark pair production to model extreme pileup conditions. PhyGHT outperforms state-of-the-art baselines from the ATLAS and CMS experiments in predicting the signal's energy and mass correction factors. By accurately reconstructing the top quark's invariant mass, we demonstrate how machine learning innovation and interdisciplinary collaboration can directly advance scientific discovery at the frontiers of experimental physics and enhance the HL-LHC's discovery potential. The dataset and code are available at https://github.com/rAIson-Lab/PhyGHT
Abstract（参考訳）: CERNの大型ハドロン衝突型加速器(HL-LHC)は、宇宙の基本的な性質を明らかにすることができる前例のないデータセットを生成する。しかし、発見の可能性を実現することは重大な課題に直面しており、およそ200回の重積衝突によって支配される圧倒的な背景から小さな信号分画を抽出する。この極端なノイズは、正確な再建に必要な物理的観測装置を著しく歪めます。これを解決するために、PhyGHT(PhyGHT)というハイブリッドアーキテクチャを導入し、プロトン-陽子衝突で形成される粒子シャワーの物理トポロジを反映させる。 Pileup Suppression Gate (PSG) は、ハイパーグラフアグリゲーションに先立ってソフトノイズをフィルタすることを明示的に学習する、解釈可能な物理制約機構である。提案手法の有効性を検証するため,極端積み上げ条件をモデル化するために,トップクォーク対生成のシミュレーションデータセットを新たにリリースする。 PhyGHTはATLASとCMSの実験から、信号のエネルギーと質量補正係数を予測する上で、最先端のベースラインを上回っている。トップクォークの不変質量を正確に再構成することにより、機械学習の革新と学際的なコラボレーションが実験物理学の最前線での科学的な発見を直接促進し、HL-LHCの発見可能性を高めることができることを示す。データセットとコードはhttps://github.com/rAIson-Lab/PhyGHTで公開されている。

関連論文リスト

Acceleration of Atomistic NEGF: Algorithms, Parallelization, and Machine Learning [61.12861060232382]
非平衡グリーン関数(NEGF)はナノスケールデバイスの量子輸送特性をシミュレートする強力な方法である。本稿では,DFT+NEGFシミュレーションを現実的なシステムの次元や機能に近づけるための重要な(アルゴリズム的な)成果を要約する。
論文参考訳（メタデータ） (2026-02-03T12:01:39Z)
From Black Hole to Galaxy: Neural Operator: Framework for Accretion and Feedback Dynamics [70.27068115318681]
ニューラルベースの「サブグリッドブラックホール」を導入し、小さな局所力学を学習し、直接シミュレーションに組み込む。微細な進化の大きなスピードアップにより、我々は、降着駆動のフィードバックで固有の変動を捉え、中心ブラックホールと銀河スケールのガスの動的結合を可能にした。
論文参考訳（メタデータ） (2025-12-01T11:47:49Z)
Learning Minimal Representations of Many-Body Physics from Snapshots of a Quantum Simulator [0.08796261172196741]
本研究では,変動型オートエンコーダ(VAE)に基づく機械学習手法を開発し,ボースガスの干渉測定を解析する。非平衡なプロトコルを適用すると、潜伏空間は急激な冷却後に凍結したソリトンの符号を明らかにする。その結果、生成モデルはノイズやスパースな実験データから直接物理的に解釈可能な変数を抽出できることを示した。
論文参考訳（メタデータ） (2025-09-17T08:38:46Z)
CryoSplat: Gaussian Splatting for Cryo-EM Homogeneous Reconstruction [48.45613121595709]
低温電子顕微鏡(cryo-EM)は、分子構造をほぼ原子の分解能で決定するのに役立つ。単一粒子Cryo-EMにおける中心的な計算課題は、未知の方向で取得されたノイズの多い2Dプロジェクションから分子の3次元静電ポテンシャルを再構築することである。本稿では,GMMをベースとしたCryoSplatを提案し,Gaussian splattingとCryo-EM画像形成の物理を統合する。
論文参考訳（メタデータ） (2025-08-06T23:24:43Z)
Geometric GNNs for Charged Particle Tracking at GlueX [0.4241054493737716]
ジェファーソン研究所のGlueX実験から得られたデータを追跡するためのGNNモデルの評価を行った。本稿では,複数のイベントをバッチで処理することで,GNNモデルによる大幅な高速化を実現することを示す。
論文参考訳（メタデータ） (2025-05-28T15:52:22Z)
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)
Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
論文参考訳（メタデータ） (2024-07-12T18:00:02Z)
Neural SPH: Improved Neural Modeling of Lagrangian Fluid Dynamics [10.420017109857765]
平滑粒子流体力学(Smoothed Particle hydrodynamics、SPH)は、現代の工学と科学の分野において一様である。シミュレーションの粒子的な性質のため、グラフニューラルネットワーク(GNN)は魅力的なサロゲートとして登場し、成功した。本研究では, 引張不安定性に起因する粒子群集を主要な落とし穴の1つとして同定する。
論文参考訳（メタデータ） (2024-02-09T09:40:12Z)
CryoGEM: Physics-Informed Generative Cryo-Electron Microscopy [38.57626501108458]
物理インフォームド生成型低温電子顕微鏡(CryoGEM)を紹介する。 CryoGEMは、物理に基づくCryo-EMシミュレーションと生成不能ノイズ変換を統合して、現実的なノイズを生成する。実験の結果,CryoGEMはCryo-EM画像を生成することができることがわかった。
論文参考訳（メタデータ） (2023-12-04T07:52:56Z)
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)
PhysFormer: Facial Video-based Physiological Measurement with Temporal Difference Transformer [55.936527926778695]
近年のディープラーニングアプローチは、時間的受容の限られた畳み込みニューラルネットワークを用いた微妙なrの手がかりのマイニングに重点を置いている。本稿では,エンドツーエンドのビデオトランスをベースとしたアーキテクチャであるPhysFormerを提案する。
論文参考訳（メタデータ） (2021-11-23T18:57:11Z)
Graph Generative Models for Fast Detector Simulations in High Energy Physics [0.0]
検出器との粒子相互作用のシミュレーションは時間がかかり、計算に費用がかかる。 HL-LHCのアップグレードは、コンピューティングインフラストラクチャに大きな負担をかけます。 LHCイベントを効果的に再現するグラフ生成モデルについて論じる。
論文参考訳（メタデータ） (2021-04-05T00:27:43Z)
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。