論文の概要: Automatic Termination Strategy of Inelastic Neutron-scattering Measurement Using Bayesian Optimization for Bin-width Selection

• arxiv url: http://arxiv.org/abs/2603.16946v1
• Date: Mon, 16 Mar 2026 13:29:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.288596
• Title: Automatic Termination Strategy of Inelastic Neutron-scattering Measurement Using Bayesian Optimization for Bin-width Selection
• Title（参考訳）: バイジアン最適化による非弾性中性子散乱測定の両幅選択における自動終了戦略
• Authors: Kensuke Muto, Hirotaka Sakamoto, Kenji Nagata, Taka-hisa Arima, Masato Okada,
• Abstract要約: 4次元の非弾性中性子散乱実験では、過剰な事象データが得られている。 本稿では,ベイズ最適化に基づく停止条件の計算と,実験の継続と終了をリアルタイムで決定する手法を提案する。
• 参考スコア（独自算出の注目度）: 1.2874934902345359
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Currently, an excessive amount of event data is being obtained in four-dimensional inelastic neutron-scattering experiments. A method for automatic bin-width optimization of multidimensional histograms has been developed and recently validated on real inelastic neutron-scattering data. However, measuring beyond the equipment resolution leads to inefficient use of valuable beam time. To improve experimental efficiency, an automatic termination strategy is essential. We propose a Bayesian-optimization-based method to compute stopping criteria and determine whether to continue or terminate the experiment in real time. In the proposed method, the bin-width optimization is performed using Bayesian optimization to efficiently compute the optimal bin widths. The experiment is terminated when the optimal bin widths become smaller than the target resolutions. In numerical experiments using real inelastic neutron-scattering data, the optimal bin widths decrease as the number of events increases. Even the optimal bin widths for data downsampled to 1/5 are comparable with the resolutions limited by the sample size, choppers, and so on. This implies excessive measurement of the inelastic neutron experiments for the moment. Moreover, we found that Bayesian optimization can reduce the search cost to approximately 10% of an exhaustive search in our numerical experiments.
• Abstract（参考訳）: 現在、4次元の非弾性中性子散乱実験において、過剰な事象データが得られている。 多次元ヒストグラムの自動ビン幅最適化法が開発され, 実非弾性中性子散乱データで最近検証されている。 しかし、機器の分解能を超える測定は、貴重なビームタイムの非効率な使用につながる。 実験効率を向上させるためには、自動終了戦略が不可欠である。 本稿では,ベイズ最適化に基づく停止条件の計算と,実験の継続と終了をリアルタイムで決定する手法を提案する。 提案手法では、ベイジアン最適化を用いてビン幅最適化を行い、最適ビン幅を効率的に計算する。 最適ビン幅が目標解像度よりも小さくなると実験は終了する。 実非弾性中性子散乱データを用いた数値実験では、事象の数が増えるにつれて最適なビン幅が減少する。 1/5にサンプリングされたデータに対する最適なビン幅でさえ、サンプルサイズやチョッパーなどによって制限された解像度に匹敵する。 これは、現時点での非弾性中性子実験の過度な測定を意味する。 さらに, ベイジアン最適化により, 数値実験の結果, 探索コストの約10%まで削減できることがわかった。

関連論文リスト

• Bayes-optimal learning of an extensive-width neural network from quadratically many samples [28.315491743569897]
  本研究では,単一層ニューラルネットワークに対応する対象関数を学習する問題を考察する。 入力次元とネットワーク幅が比例的に大きい限界を考える。
  論文  参考訳（メタデータ） (2024-08-07T12:41:56Z)
• Parallel Bayesian Optimization Using Satisficing Thompson Sampling for Time-Sensitive Black-Box Optimization [0.0]
  本稿では,Thompsonサンプリングに基づく並列BO手法を提案する。 ターゲットを最適なソリューションから、学習しやすい満足できるソリューションにシフトします。 リチウムイオン電池の高速充電設計問題に対して提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2023-10-19T07:03:51Z)
• Sampling from Gaussian Process Posteriors using Stochastic Gradient Descent [43.097493761380186]
  勾配アルゴリズムは線形系を解くのに有効な方法である。 最適値に収束しない場合であっても,勾配降下は正確な予測を導出することを示す。 実験的に、勾配降下は十分に大規模または不条件の回帰タスクにおいて最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-06-20T15:07:37Z)
• Low-rank extended Kalman filtering for online learning of neural networks from streaming data [71.97861600347959]
  非定常データストリームから非線形関数のパラメータを推定するための効率的なオンライン近似ベイズ推定アルゴリズムを提案する。 この方法は拡張カルマンフィルタ (EKF) に基づいているが、新しい低ランク+斜角行列分解法を用いている。 変分推論に基づく手法とは対照的に,本手法は完全に決定論的であり,ステップサイズチューニングを必要としない。
  論文  参考訳（メタデータ） (2023-05-31T03:48:49Z)
• Learning distributed representations with efficient SoftMax normalization [3.8673630752805437]
  有界ノルムを持つ埋め込みベクトルに対して$rm SoftMax(XYT)$の正規化定数を計算する線形時間近似を提案する。 本稿では,提案手法が競合手法よりも高い精度あるいは同等の精度を達成できるような事前学習した埋め込みデータセットについて述べる。 提案アルゴリズムは解釈可能で,任意の埋め込み問題に容易に適応できる。
  論文  参考訳（メタデータ） (2023-03-30T15:48:26Z)
• Bayes-optimal Learning of Deep Random Networks of Extensive-width [22.640648403570957]
  ランダムなガウス重みを持つディープで広範で非線形なニューラルネットワークに対応する対象関数を学習する問題を考察する。 我々は、リッジ回帰、カーネル、ランダム特徴回帰のテストエラーに対するクローズドフォーム式を計算した。 数値的に、サンプルの数が次元よりも早く増加すると、リッジ法とカーネル法は最適以下になるが、ニューラルネットワークは2次的に多くのサンプルからゼロに近いテスト誤差を達成する。
  論文  参考訳（メタデータ） (2023-02-01T11:14:08Z)
• Fast Bayesian Optimization of Needle-in-a-Haystack Problems using Zooming Memory-Based Initialization [73.96101108943986]
  Needle-in-a-Haystack問題は、データセットのサイズに対して最適な条件が極端に不均衡であるときに発生する。 本稿では,従来のベイズ最適化原理に基づくズームメモリに基づく初期化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-26T23:57:41Z)
• Local policy search with Bayesian optimization [73.0364959221845]
  強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。 局所探索のための政策勾配は、しばしばランダムな摂動から得られる。 目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-06-22T16:07:02Z)

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。