論文の概要: Scalable AI-assisted Workflow Management for Detector Design Optimization Using Distributed Computing

• arxiv url: http://arxiv.org/abs/2603.30014v1
• Date: Tue, 31 Mar 2026 17:11:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.94199
• Title: Scalable AI-assisted Workflow Management for Detector Design Optimization Using Distributed Computing
• Title（参考訳）: 分散コンピューティングを用いた検出器設計最適化のためのスケーラブルAI支援ワークフロー管理
• Abstract要約: 本稿では,多目的ベイズ最適化を統合した検出器設計最適化のためのAI支援フレームワークを提案する。 我々は、Electron-Ion Collider(EIC)のためのベンチマーク問題とePICおよびdRICH検出器の現実的研究を用いたフレームワークを実証する。 その結果、多目的最適化における自動化、スケーラビリティ、効率性が向上した。
• 参考スコア（独自算出の注目度）: 0.7287445515583322
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The Production and Distributed Analysis (PanDA) system, originally developed for the ATLAS experiment at the CERN Large Hadron Collider (LHC), has evolved into a robust platform for orchestrating large-scale workflows across distributed computing resources. Coupled with its intelligent Distributed Dispatch and Scheduling (iDDS) component, PanDA supports AI/ML-driven workflows through a scalable and flexible workflow engine. We present an AI-assisted framework for detector design optimization that integrates multi-objective Bayesian optimization with the PanDA--iDDS workflow engine to coordinate iterative simulations across heterogeneous resources. The framework addresses the challenge of exploring high-dimensional parameter spaces inherent in modern detector design. We demonstrate the framework using benchmark problems and realistic studies of the ePIC and dRICH detectors for the Electron-Ion Collider (EIC). Results show improved automation, scalability, and efficiency in multi-objective optimization. This work establishes a flexible and extensible paradigm for AI-driven detector design and other computationally intensive scientific applications.
• Abstract（参考訳）: CERN Large Hadron Collider (LHC) でATLAS実験のために開発されたProduct and Distributed Analysis (PanDA) システムは、分散コンピューティングリソースをまたいだ大規模ワークフローを編成する堅牢なプラットフォームへと進化した。 インテリジェントなDistributed Dispatch and Scheduling(iDDS)コンポーネントと組み合わせて、PanDAはスケーラブルで柔軟なワークフローエンジンを通じて、AI/ML駆動のワークフローをサポートする。 我々は,多目的ベイズ最適化とPanDA-iDDSワークフローエンジンを統合した検出器設計最適化のためのAI支援フレームワークを提案する。 このフレームワークは、現代の検出器設計に固有の高次元パラメータ空間の探索という課題に対処する。 我々は,Electron-Ion Collider(EIC)のベンチマーク問題とePICおよびdRICH検出器の現実的研究を用いたフレームワークを実証した。 その結果、多目的最適化における自動化、スケーラビリティ、効率性が向上した。 この研究は、AI駆動型検出器設計やその他の計算集約的な科学応用のための柔軟で拡張可能なパラダイムを確立する。

関連論文リスト

• Twelve quick tips for designing AI-driven HPC workflows [0.0]
  このガイドは、研究者が効率的でスケーラブルで再現可能なAI駆動型HPCの設計を支援するために設計された12の実用的なヒントを提供する。 環境ポータビリティのためのコンテナ化、ジョブアレイの戦略的展開、明示的なフィードバックループ機構、小さなファイルのためのI/Oといった重要なシステムレベルのボトルネックに対処することで、この記事では、厳格な実行パイプラインから適応的なインテリジェントな計算環境に移行するためのフレームワークを提供します。
  論文  参考訳（メタデータ） (2026-06-05T17:46:32Z)
• Accelerating battery research with an AI interface between FINALES and Kadi4Mat [0.0]
  本稿では,FINALESとKadi RDMの相互運用を実現するためのフレームワークを提案する。 このセットアップでは、FINALESフレームワークがPOLiS MAP上での実験計画と実行をオーケストレーションし、Kadi4Mat内に実装されたアクティブラーニングエージェントが実験選択をガイドする。 この相互運用性の強化は、自動化されたシステム間で協調的で分散したコラボレーションを可能にし、複数の研究センターを人力でブリッジすることを可能にする。
  論文  参考訳（メタデータ） (2026-04-29T09:24:24Z)
• Multi-Agent Collaboration for Automated Design Exploration on High Performance Computing Systems [0.5573325246832598]
  MADA(Multi-Agent Design Assistant)は,複合設計のための特殊エージェントを協調するフレームワークである。 Inertial Confinement Fusionにおける重要な課題であるRMI(Richtmyer-Meshkov Instability)抑制の開発と検証に焦点をあてる。 以上の結果から,MADAシステムは繰り返し設計の改良を成功させ,RMIの最適抑制に向けた設計を自動改善することを示した。
  論文  参考訳（メタデータ） (2026-03-12T04:01:27Z)
• QUASAR: A Universal Autonomous System for Atomistic Simulation and a Benchmark of Its Capabilities [0.7519872646378835]
  QUASARは、生産段階の科学的発見を促進するために設計された原子論シミュレーションのための普遍的な自律システムである。 我々は,光触媒スクリーニングや新規材料評価など,日常的な課題からフロンティア研究の課題まで,一連の3段階の課題に対してquariSARをベンチマークした。 その結果,quiSARはタスク固有の自動化フレームワークではなく,一般的な原子論的推論システムとして機能することが示唆された。
  論文  参考訳（メタデータ） (2026-01-30T05:29:44Z)
• EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
  Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。 しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。 実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
  論文  参考訳（メタデータ） (2026-01-29T11:33:49Z)
• A Multi-Agent LLM Framework for Design Space Exploration in Autonomous Driving Systems [2.179402741463009]
  本稿では,多エージェント大規模言語モデル(LLM)に基づく設計空間探索フレームワークを提案する。 マルチモーダル推論と3Dシミュレーションとプロファイリングツールを統合し、実行出力の解釈を自動化する。 ロボットタクシーのケーススタディにおいて,プロトタイプの実装を開発し,評価した。
  論文  参考訳（メタデータ） (2025-12-09T10:50:19Z)
• A Multi-objective Optimization Approach for Feature Selection in Gentelligent Systems [62.08647860272078]
  本稿では,固有成分情報と自動機構を組み込んだシステムを指すために,ジェネリジェントシステム(Gentelligent system)という用語を用いる。 信頼性の高い故障検出手法を実装することで、製造業者は製品品質の向上、収量の増加、生産コストの削減など、いくつかのメリットを享受できる。
  論文  参考訳（メタデータ） (2025-11-20T23:50:55Z)
• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• AI-Assisted Detector Design for the EIC (AID(2)E) [0.0]
  ePIC実験には、性能、物理学的到達度、コストなど、多くの設計パラメータと目的が含まれている。 本研究の目的は,EIC(AID(2)E)のためのスケーラブルで分散AI支援型検出器の開発である。
  論文  参考訳（メタデータ） (2024-05-25T15:33:44Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)

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。