論文の概要: Advancing accelerator virtual beam diagnostics through latent evolution modeling: an integrated solution to forward, inverse, tuning, and UQ problems

• arxiv url: http://arxiv.org/abs/2602.22618v1
• Date: Thu, 26 Feb 2026 04:46:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.529731
• Title: Advancing accelerator virtual beam diagnostics through latent evolution modeling: an integrated solution to forward, inverse, tuning, and UQ problems
• Title（参考訳）: 潜在進化モデリングによる加速器仮想ビーム診断の高度化--前方・逆・チューニング・UQ問題への統合解
• Authors: Mahindra Rautela, Alexander Scheinker,
• Abstract要約: 我々は,高次元位相空間を低次元表現に投影するオートエンコーダと,潜時空間における時間ダイナミクスを学習するための変換器を備えたハイブリッド機械学習フレームワークであるLatent Evolution Model (LEM)を提案する。 テキストフォワードモデリングでは、CVAEは6次元位相空間の15のユニークな射影を潜在表現に符号化し、トランスフォーマーは上流からの入力から下流の潜在状態を予測する。 テキスト逆問題では、(a)下流観測から上流位相空間を予測すること、(b)潜時空間からRF設定を推定することの2つの異なる課題に対処する。
• 参考スコア（独自算出の注目度）: 46.568487965999225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Virtual beam diagnostics relies on computationally intensive beam dynamics simulations where high-dimensional charged particle beams evolve through the accelerator. We propose Latent Evolution Model (LEM), a hybrid machine learning framework with an autoencoder that projects high-dimensional phase spaces into lower-dimensional representations, coupled with transformers to learn temporal dynamics in the latent space. This approach provides a common foundational framework addressing multiple interconnected challenges in beam diagnostics. For \textit{forward modeling}, a Conditional Variational Autoencoder (CVAE) encodes 15 unique projections of the 6D phase space into a latent representation, while a transformer predicts downstream latent states from upstream inputs. For \textit{inverse problems}, we address two distinct challenges: (a) predicting upstream phase spaces from downstream observations by utilizing the same CVAE architecture with transformers trained on reversed temporal sequences along with aleatoric uncertainty quantification, and (b) estimating RF settings from the latent space of the trained LEM using a dedicated dense neural network that maps latent representations to RF parameters. For \textit{tuning problems}, we leverage the trained LEM and RF estimator within a Bayesian optimization framework to determine optimal RF settings that minimize beam loss. This paper summarizes our recent efforts and demonstrates how this unified approach effectively addresses these traditionally separate challenges.
• Abstract（参考訳）: 仮想ビーム診断は、高次元荷電粒子ビームが加速器を通して進化する計算集約ビーム動力学シミュレーションに依存する。 我々は,高次元位相空間を低次元表現に投影するオートエンコーダを備えたハイブリッド機械学習フレームワークであるLatent Evolution Model (LEM)を提案する。 このアプローチはビーム診断における複数の相互接続課題に対処する共通の基盤となるフレームワークを提供する。 条件変分オートエンコーダ(CVAE)は6次元位相空間の15個のユニークな射影を潜在表現に符号化し、変換器は上流からの入力から下流の潜在状態を予測する。 textit{inverse problem} では、2つの異なる課題に対処する。 (a)逆時相列で訓練された変圧器を用いた同じCVAEアーキテクチャを用いて下流観測から上流位相空間を予測すること、及びアレタリック不確実性定量化 b) 潜時表現をRFパラメータにマッピングする専用高密度ニューラルネットワークを用いて、トレーニングされたLEMの潜時空間からRF設定を推定する。 textit{tuning problem} に対して、ベイズ最適化フレームワーク内で訓練された LEM と RF 推定器を活用し、ビーム損失を最小限に抑える最適な RF 設定を決定する。 本稿は、我々の最近の取り組みを要約し、この統一アプローチがこれらの伝統的に異なる課題に効果的に対処する方法を実証する。

関連論文リスト

• Supervised Metric Regularization Through Alternating Optimization for Multi-Regime Physics-Informed Neural Networks [0.0]
  PINNは、分岐のような急激な状態遷移を持つ力学系をモデル化する際に、しばしば課題に直面している。 我々は,この課題を,Supervised Metric Regularizationによる潜在空間によって緩和することを目的としたTopology-Aware PINN(TAPINN)を提案する。 Duffingの予備実験では、標準ベースラインはスペクトルバイアスと高容量勾配ネットワークのオーバーフィットに悩まされているが、本手法は、マルチ出力ソボレフ誤差ベースラインよりも2.18倍低い分散と、ハイパーネットワークベースの代替よりも5倍少ないパラメータで安定した収束を実現する。
  論文  参考訳（メタデータ） (2026-02-10T17:06:57Z)
• From Sparse Sensors to Continuous Fields: STRIDE for Spatiotemporal Reconstruction [3.2580743227673694]
  時空間デコーダを用いた高次元空間場を潜時状態にマッピングするフレームワークSTRIDEを提案する。 STRIDEは超高分解能をサポートし、超高分解能をサポートし、ノイズに対して頑健であることを示す。
  論文  参考訳（メタデータ） (2026-02-04T04:39:23Z)
• Hierarchical Spatial-Frequency Aggregation for Spectral Deconvolution Imaging [19.898033482653464]
  本稿では,高忠実度コンパクト行列設計を実現するための新しいCSI手法を提案する。 SDIに固有のデータ依存演算子に取り組むために、階層型空間スペクトル集約フレームワーク(HSFAUF)を導入する。 さらに、繰り返し改善中の空間スペクトル前処理を統合するために、空間周波数アグリゲーション変換器(SFAT)を提案する。
  論文  参考訳（メタデータ） (2025-11-10T06:29:34Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Single-shot prediction of parametric partial differential equations [3.987215131970378]
  Flexi-VAEはパラメトリック偏微分方程式(PDE)の効率的な単発予測のためのデータ駆動フレームワークである 本稿では,潜時粘着を進行させるニューラルプロパゲータを提案する。 我々は,PDEベンチマーク,1次元バーガーズ方程式,2次元対流拡散方程式に対してフレキシ-VAEを検証し,広いパラメトリック範囲にわたって正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-14T01:48:26Z)
• Time-inversion of spatiotemporal beam dynamics using uncertainty-aware latent evolution reversal [46.348283638884425]
  本稿では,フォワードビームダイナミクスの時相を考慮したリバースラテント進化モデル(rLEM)を提案する。 この2段階の自己教師型深層学習フレームワークでは、空調オートエンコーダ(CVAE)を用いて荷電粒子ビームの6次元空間投影を低次元潜在分布に投影する。 次に,Long Short-Term Memory (LSTM) ネットワークを用いて,潜在空間における逆時間力学を自動回帰的に学習する。
  論文  参考訳（メタデータ） (2024-08-14T23:09:01Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
  生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。 本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
  論文  参考訳（メタデータ） (2023-07-17T07:12:29Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)

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。