論文の概要: First Estimation of Model Parameters for Neutrino-Induced Nucleon Knockout Using Simulation-Based Inference

• arxiv url: http://arxiv.org/abs/2603.09778v1
• Date: Tue, 10 Mar 2026 15:14:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.418021
• Title: First Estimation of Model Parameters for Neutrino-Induced Nucleon Knockout Using Simulation-Based Inference
• Title（参考訳）: シミュレーションに基づくニュートリノ誘起核ノックアウトのモデルパラメータの第一推定
• Authors: Karla Tame-Narvaez, Steven Gardiner, Aleksandra Ćiprijanović, Giuseppe Cerati,
• Abstract要約: 我々は、MicroBooNEコラボレーションによって開発されたGENIEニュートリノイベントジェネレータのチューニング構成を再検討する。 トレーニングされたSBIアルゴリズムは、調整された断面予測を入力として対向するときに、適度に異なる値を好むことがわかった。 また、トレーニングされたアルゴリズムは、代替ニュートリノ散乱シミュレーションであるNuWroの公平な近似を作成できることがわかった。
• 参考スコア（独自算出の注目度）: 39.146761527401424
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To enable an accurate determination of oscillation parameters, accelerator-based neutrino experiments require detailed simulations of nuclear interaction physics in the GeV regime. While substantial effort from both theory and experiment is currently being invested to improve the fidelity of these simulations, their present deficiencies typically oblige experimental collaborations to resort to empirical tuning of simulation model parameters. As the precision requirements of the field continue to become more stringent, machine learning techniques may provide a powerful means of handling corresponding growth in the complexity of future neutrino interaction model tuning exercises. To study the suitability of simulation-based inference (SBI) for this physics application, in this paper we revisit a tuned configuration of the GENIE neutrino event generator that was originally developed by the MicroBooNE collaboration. Despite closely reproducing the adopted values of four physics parameters when confronted with the tuned cross-section predictions as input, we find that our trained SBI algorithm prefers modestly different values (within MicroBooNE's assigned uncertainties) and achieves slightly better goodness-of-fit when inference is run on the experimental data set originally used by MicroBooNE. We also find that our trained algorithm can create a fair approximation of an alternative neutrino scattering simulation, NuWro, that shares only a subset of its physics model parameters with GENIE.
• Abstract（参考訳）: 振動パラメータの正確な決定を可能にするために、加速器に基づくニュートリノ実験は、GeV系における核相互作用物理学の詳細なシミュレーションを必要とする。 理論と実験の両方からのかなりの努力が現在、これらのシミュレーションの忠実性を改善するために投資されているが、それらの現在の欠陥は、シミュレーションモデルパラメータの実験的チューニングに頼るために、実験的なコラボレーションを義務付けている。 フィールドの精度要件がより厳密になるにつれて、機械学習技術は将来のニュートリノ相互作用モデルチューニング演習の複雑さの増大に対応する強力な手段を提供するかもしれない。 この物理応用におけるシミュレーションベース推論(SBI)の適用性を検討するため,本論文では,MicroBooNEコラボレーションによって開発されたGENIEニュートリノイベントジェネレータのチューニング構成を再検討する。 入力として調整された断面予測と対向する4つの物理パラメータの値が密に再現されているにもかかわらず、我々の訓練されたSBIアルゴリズムは、(MicroBooNEが割り当てられた不確かさを伴って)適度に異なる値が好まれており、MicroBooNEが当初使用していた実験データセット上で推論を行うと、若干良い精度が得られる。 また、トレーニングされたアルゴリズムは、その物理モデルパラメータのサブセットのみをGENIEと共有する代替ニュートリノ散乱シミュレーションであるNuWroを公平に近似することができる。

関連論文リスト

• Simulation-based inference for Precision Neutrino Physics through Neural Monte Carlo tuning [0.0]
  シミュレーションに基づく推論フレームワークにおいて,ニューラルネットワークを用いた推定手法を提案する。 キャリブレーションデータの可能性をモデル化する2つの相補的ニューラルネットワーク密度推定器を開発した。 私たちのフレームワークは、特定のニーズに対して最適なメソッドを選択する柔軟性を提供します。
  論文  参考訳（メタデータ） (2025-07-31T07:33:05Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Fusing Neural and Physical: Augment Protein Conformation Sampling with Tractable Simulations [27.984190594059868]
  生成モデルは サロゲートサンプルとして利用され コンフォメーションアンサンブルを 桁違いに速く得る 本研究では,MDシミュレーションを抽出可能な方法で組み込んだ,事前学習型ジェネレーティブ・サンプリング器の少数ショット設定について検討する。
  論文  参考訳（メタデータ） (2024-02-16T03:48:55Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)

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。