論文の概要: Neutrino Oscillation Parameter Estimation Using Structured Hierarchical Transformers

• arxiv url: http://arxiv.org/abs/2603.22342v1
• Date: Sat, 21 Mar 2026 18:40:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.080444
• Title: Neutrino Oscillation Parameter Estimation Using Structured Hierarchical Transformers
• Title（参考訳）: 構造付き階層型変圧器を用いたニュートリノ振動パラメータ推定
• Authors: Giorgio Morales, Gregory Lehaut, Antonin Vacheret, Frederic Jurie, Jalal Fadili,
• Abstract要約: ニュートリノ振動はニュートリノ質量と混合パラメータの基本情報を符号化する。 確率ベースやモンテカルロサンプリングのような従来の推論手法は、パラメータ空間を探索するために広範囲なシミュレーションを必要とする。 本稿では,大気中ニュートリノ振動パラメータ推論を教師付き回帰タスクとして再構成するデータ駆動型フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.9849405664643585
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neutrino oscillations encode fundamental information about neutrino masses and mixing parameters, offering a unique window into physics beyond the Standard Model. Estimating these parameters from oscillation probability maps is, however, computationally challenging due to the maps' high dimensionality and nonlinear dependence on the underlying physics. Traditional inference methods, such as likelihood-based or Monte Carlo sampling approaches, require extensive simulations to explore the parameter space, creating major bottlenecks for large-scale analyses. In this work, we introduce a data-driven framework that reformulates atmospheric neutrino oscillation parameter inference as a supervised regression task over structured oscillation maps. We propose a hierarchical transformer architecture that explicitly models the two-dimensional structure of these maps, capturing angular dependencies at fixed energies and global correlations across the energy spectrum. To improve physical consistency, the model is trained using a surrogate simulation constraint that enforces agreement between the predicted parameters and the reconstructed oscillation patterns. Furthermore, we introduce a neural network-based uncertainty quantification mechanism that produces distribution-free prediction intervals with formal coverage guarantees. Experiments on simulated oscillation maps under Earth-matter conditions demonstrate that the proposed method is comparable to a Markov Chain Monte Carlo baseline in estimation accuracy, with substantial improvements in computational cost (around 240$\times$ fewer FLOPs and 33$\times$ faster in average processing time). Moreover, the conformally calibrated prediction intervals remain narrow while achieving the target nominal coverage of 90%, confirming both the reliability and efficiency of our approach.
• Abstract（参考訳）: ニュートリノ振動はニュートリノ質量と混合パラメータに関する基本的な情報を符号化し、標準模型を超えた物理へのユニークな窓を提供する。 しかし、これらのパラメータを振動確率写像から推定することは、地図の高次元性や基礎となる物理学への非線形依存のため、計算的に困難である。 確率ベースやモンテカルロサンプリングのような従来の推論手法は、パラメータ空間を探索するために広範囲なシミュレーションを必要とし、大規模な解析のための大きなボトルネックを生み出している。 本研究では,大気ニュートリノ振動パラメータ推論を構造化された振動マップ上の教師付き回帰タスクとして再構成するデータ駆動型フレームワークを提案する。 本稿では、これらの写像の二次元構造を明示的にモデル化し、固定エネルギーでの角度依存性とエネルギースペクトル全体の大域的相関を捉える階層型トランスフォーマーアーキテクチャを提案する。 物理的整合性を改善するために、予測パラメータと再構成振動パターンとの一致を強制する代理シミュレーション制約を用いてモデルを訓練する。 さらに,正規被覆保証付き分布自由予測区間を生成するニューラルネットワークに基づく不確実性定量化機構を導入する。 地球マター条件下でのシミュレートされた振動マップの実験により、提案手法は推定精度においてマルコフ・チェイン・モンテカルロのベースラインに匹敵するものであり、計算コスト(平均処理時間で約240$\times$少ないFLOPsと33$\times$速い)が大幅に改善されていることが示された。 さらに, 適合校正予測間隔は狭く, 目標値の90%を達成し, 本手法の信頼性と効率性を確認した。

関連論文リスト

• Unveiling the Mechanism of Continuous Representation Full-Waveform Inversion: A Wave Based Neural Tangent Kernel Framework [52.632217600064344]
  フルウェーブフォーム・インバージョン(FWI)は、限られた測定値から波動方程式の物理パラメータを推定する。 FWI法は初期モデルの精度に対する悪名高い感度によって制限されている。 連続表現 FWI (CR-FWI) の最近の進歩は、暗黙的ニューラル表現 (INR) のような座標ベースニューラルネットワークによるパラメータモデルを表現することで、初期モデルへの依存を緩和できることを実証している。
  論文  参考訳（メタデータ） (2026-03-23T03:22:33Z)
• 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)
• Recent Advances in Simulation-based Inference for Gravitational Wave Data Analysis [9.608109856126267]
  本稿では,重力波天文学におけるシミュレーションに基づく推論手法の出現的役割について考察する。 本稿では,様々なシミュレーションに基づく推論手法の基礎となる理論的基礎について概説する。 種々の重力波データ処理シナリオにおけるこれらの手法の適用について検討する。
  論文  参考訳（メタデータ） (2025-07-15T10:52:57Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Amortized Bayesian Local Interpolation NetworK: Fast covariance parameter estimation for Gaussian Processes [0.04660328753262073]
  高速な共分散パラメータ推定のための補正ベイズ局所補間ネットWorKを提案する。 これらのネットワークの高速な予測時間により、行列の反転ステップをバイパスし、大きな計算スピードアップを発生させることができる。 拡張性のあるGP手法に比べて計算効率が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2024-11-10T01:26:16Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• 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 Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Lightning-Fast Gravitational Wave Parameter Inference through Neural Amortization [6.810835072367285]
  ニューラルシミュレーションに基づく推論の最近の進歩は、推論時間を最大3桁スピードアップすることができる。 シミュレーションされた重力波のパラメータの信頼区間を精度良く推定する。
  論文  参考訳（メタデータ） (2020-10-24T16:48:24Z)

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。