論文の概要: JetPrism: diagnosing convergence for generative simulation and inverse problems in nuclear physics
- arxiv url: http://arxiv.org/abs/2604.01313v1
- Date: Wed, 01 Apr 2026 18:36:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-03 14:21:09.765481
- Title: JetPrism: diagnosing convergence for generative simulation and inverse problems in nuclear physics
- Title（参考訳）: JetPrism: 生成シミュレーションのための収束の診断と核物理学における逆問題
- Authors: Zeyu Xia, Tyler Kim, Trevor Reed, Judy Fox, Geoffrey Fox, Adam Szczepaniak,
- Abstract要約: 高忠実度モンテカルロシミュレーションと複素逆問題(英語版)は、頑健なデータ解析に必要不可欠である。
条件付きフローマッチング(CFM)は、これらのタスクを加速するための数学的に堅牢なアプローチを提供するが、その標準的なトレーニング損失が根本的に誤解を招くことを実証する。
厳密な物理学の応用において、CFM損失プラトーは、真の収束と物理的忠実性の信頼性の低い指標として機能する。
- 参考スコア（独自算出の注目度）: 0.5823178881486669
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-fidelity Monte Carlo simulations and complex inverse problems, such as mapping smeared experimental observations to ground-truth states, are computationally intensive yet essential for robust data analysis. Conditional Flow Matching (CFM) offers a mathematically robust approach to accelerating these tasks, but we demonstrate its standard training loss is fundamentally misleading. In rigorous physics applications, CFM loss plateaus prematurely, serving as an unreliable indicator of true convergence and physical fidelity. To investigate this disconnect, we designed JetPrism, a configurable CFM framework acting as an efficient generative surrogate for evaluating unconditional generation and conditional detector unfolding. Using synthetic stress tests and a Jefferson Lab kinematic dataset ($γp \to ρ^0 p \to π^+π^- p$) relevant to the forthcoming Electron-Ion Collider (EIC), we establish that physics-informed metrics continue to improve significantly long after the standard loss converges. Consequently, we propose a multi-metric evaluation protocol incorporating marginal and pairwise $χ^2$ statistics, $W_1$ distances, correlation matrix distances ($D_{\mathrm{corr}}$), and nearest-neighbor distance ratios ($R_{\mathrm{NN}}$). By demonstrating that domain-specific evaluations must supersede generic loss metrics, this work establishes JetPrism as a dependable generative surrogate that ensures precise statistical agreement with ground-truth data without memorizing the training set. While demonstrated in nuclear physics, this diagnostic framework is readily extensible to parameter generation and complex inverse problems across broad domains. Potential applications span medical imaging, astrophysics, semiconductor discovery, and quantitative finance, where high-fidelity simulation, rigorous inversion, and generative reliability are critical.
- Abstract（参考訳）: 高忠実度モンテカルロシミュレーションと複雑な逆問題、例えばスミアリング実験の観測結果を基底構造状態にマッピングすることは、頑健なデータ解析には計算に不可欠である。
条件付きフローマッチング(CFM)は、これらのタスクを加速するための数学的に堅牢なアプローチを提供するが、その標準的なトレーニング損失が根本的に誤解を招くことを実証する。
厳密な物理学の応用において、CFM損失プラトーは、真の収束と物理的忠実性の信頼性の低い指標として機能する。
そこで我々は,非条件発生と条件付き検出器の展開を評価するために,効率的な生成サロゲートとして機能する構成可能なCFMフレームワークであるJetPrismを設計した。
EIC(Electron-Ion Collider)の合成応力試験とジェファーソン・ラボ・キネマティック・データセット(γp \to ρ^0 p \to π^+π^-p$)を用いて、標準損失が収束した後も物理インフォームド・メトリクスが大幅に改善し続けることを確かめた。
その結果、辺縁値と対角値の統計量、$W_1$距離、相関行列距離(D_{\mathrm{corr}}$)、近傍距離比(R_{\mathrm{NN}}$)を組み込んだマルチメトリック評価プロトコルを提案する。
ドメイン固有の評価が一般的な損失指標に取って代わる必要があることを示すことによって、この研究はJetPrismを、トレーニングセットを記憶することなく、地上の真実データとの正確な統計的一致を保証する信頼できる生成サロゲートとして確立する。
核物理学で実証されているが、この診断枠組みはパラメータ生成や広い領域にわたる複雑な逆問題に対して容易に拡張可能である。
潜在的な応用は、医療画像、天体物理学、半導体発見、定量的ファイナンスに及び、高忠実度シミュレーション、厳密な逆転、生成信頼性が重要である。
関連論文リスト
- Scalable Learning of Multivariate Distributions via Coresets [48.02318786960811]
我々は,多変量条件変換モデル(MCTM)のための新しいコアセットの構築を行い,そのスケーラビリティと訓練効率を向上させる。
提案手法は,重要サンプリングによる大幅なデータ削減を実現する。
これまでコアセットが組み込まれてきた従来のフルパラメトリックモデルと比較して,我々の半パラメトリックアプローチは適応性の向上を示す。
論文 参考訳（メタデータ） (2026-03-20T09:28:43Z) - Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。
既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。
我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
論文 参考訳（メタデータ） (2026-02-11T02:00:25Z) - Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。
累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。
主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
論文 参考訳（メタデータ） (2026-02-10T21:08:53Z) - Is Flow Matching Just Trajectory Replay for Sequential Data? [46.770624059457724]
時系列生成には、フローマッチング(FM)がますます使われている。
一般的な力学構造を学ぶのか、それとも単に効果的な「軌道再生」を行うのかはよく分かっていない。
インプリッドサンプリングは、非パラメトリックなメモリ拡張型連続時間力学系を構成するODEであることを示す。
論文 参考訳（メタデータ） (2026-02-09T06:48:45Z) - From Evaluation to Design: Using Potential Energy Surface Smoothness Metrics to Guide Machine Learning Interatomic Potential Architectures [12.68400434984463]
MLIPは量子ポテンシャルエネルギー表面の物理的滑らかさを再現することができない。
マイクロカノニカル分子動力学のような既存の評価は計算に高価であり、主に近平衡状態を研究する。
MLIPの評価基準を改善するためにBSCT(Band Smoothness Characterization Test)を導入する。
論文 参考訳（メタデータ） (2026-02-04T18:50:10Z) - Physics-informed Neural Operator Learning for Nonlinear Grad-Shafranov Equation [18.564353542797946]
磁気閉じ込め核融合では、Grad-Shafranov方程式(GSE)の迅速かつ正確な解はリアルタイムプラズマ制御と解析に不可欠である。
従来の数値解法は精度が高く、計算は禁じられているが、データ駆動サロゲートは素早く推論するが、物理法則を強制せず、トレーニング分布をはるかに越えて一般化することができない。
本稿では, GSE 解演算子を直接学習する物理インフォームド・ニューラル演算子 (PINO) について述べる。
論文 参考訳（メタデータ） (2025-11-24T13:46:38Z) - Flow Matching Meets PDEs: A Unified Framework for Physics-Constrained Generation [21.321570407292263]
本稿では,PDE残差と代数的関係の両方の物理制約をフローマッチングの対象に組み込む生成フレームワークである物理ベースフローマッチングを提案する。
提案手法では,FMよりも高精度な物理残差を最大8倍に抑えながら,分布精度では既存アルゴリズムよりも明らかに優れていることを示す。
論文 参考訳（メタデータ） (2025-06-10T09:13:37Z) - Potential failures of physics-informed machine learning in traffic flow modeling: theoretical and experimental analysis [5.055539099879598]
本研究では,物理インフォームド・機械学習 (PIML) がマクロな交通流モデリングに失敗する原因について検討する。
障害を、PIMLモデルが純粋にデータ駆動と純粋に物理ベースラインの両方を所定の閾値で下回る場合として定義する。
LWRベースのPIMLが高解像度のデータでもARZベースのPIMLより優れている理由を説明する。
論文 参考訳（メタデータ） (2025-05-16T17:55:06Z) - Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。
非滑らかな正規化はしばしば機械学習タスクに組み込まれる。
本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-04-17T08:32:25Z) - Efficient and Sharp Off-Policy Evaluation in Robust Markov Decision Processes [44.974100402600165]
意思決定プロセス(MDP)に対する最良パラメトリックかつ最悪の摂動の評価について検討する。
我々は、元のMDPからの遷移観測を用いて、それらが同一または異なるポリシーの下で生成されるかのどちらかを判断する。
我々の推定器はウォルドの信頼区間を用いた統計的推測も行う。
論文 参考訳（メタデータ） (2024-03-29T18:11:49Z)
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。