論文の概要: Cross-Domain Transfer with Particle Physics Foundation Models: From Jets to Neutrino Interactions

• arxiv url: http://arxiv.org/abs/2604.12364v1
• Date: Tue, 14 Apr 2026 06:53:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.299606
• Title: Cross-Domain Transfer with Particle Physics Foundation Models: From Jets to Neutrino Interactions
• Title（参考訳）: 粒子物理基礎モデルを用いたクロスドメイン移動:ジェットからニュートリノ相互作用
• Authors: Gregor Krzmanc, Vinicius Mikuni, Benjamin Nachman, Callum Wilkinson,
• Abstract要約: 今後、粒子物理学におけるAIベースの研究は、トレーニングを加速し感度を高めるための基礎モデルから始められるだろう。 本研究は,多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種多種
• 参考スコア（独自算出の注目度）: 0.4062071796326536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Future AI-based studies in particle physics will likely start from a foundation model to accelerate training and enhance sensitivity. As a step towards a general-purpose foundation model for particle physics, we investigate whether the OmniLearned foundation model pre-trained on diverse high-$Q^2$ simulated and real $pp$ and $ep$ collisions can be effectively transferred to a few-GeV fixed-target neutrino experiment. We process MINERvA neutrino--nucleus scattering events and evaluate pre-trained models on two types of tasks: regression of available energy and binary classification of charged-current pion final states ($\mathrm{CC1π^{\pm}}$, $\mathrm{CCNπ^{\pm}}$, and $\mathrm{CC1π^{0}}$). Pre-trained OmniLearned models consistently outperform similarly sized models trained from scratch, achieving better overall performance at the same compute budget, as well as achieving better performance at the same number of training steps. These results suggest that particle-level foundation models acquire inductive biases that generalize across large differences in energy scale, detector technology, and underlying physics processes, pointing toward a paradigm of detector-agnostic inference in particle physics.
• Abstract（参考訳）: 今後、粒子物理学におけるAIベースの研究は、トレーニングを加速し感度を高めるための基礎モデルから始められるだろう。 粒子物理学の汎用基礎モデルへのステップとして、OmniLearned foundation modelが様々な高Q^2$で事前訓練され、実$pp$と$ep$の衝突が数GeVの固定目標ニュートリノ実験に効果的に移行できるかどうかを検討する。 MINERvAニュートリノ-核散乱イベントを処理し、利用可能なエネルギーの回帰とチャージ電流ピオンの最終状態(\mathrm{CC1π^{\pm}}$, $\mathrm{CCNπ^{\pm}}$, $\mathrm{CC1π^{0}}$, $\mathrm{CC1π^{0}}$)のバイナリ分類の2種類のタスクで事前訓練されたモデルを評価する。 事前訓練されたOmniLearnedモデルは、スクラッチからトレーニングされた同様のサイズのモデルよりも一貫して優れており、同じ計算予算で全体的なパフォーマンスが向上し、同じ数のトレーニングステップでパフォーマンスが向上した。 これらの結果は、粒子レベルの基礎モデルが、エネルギースケール、検出器技術、および基礎となる物理プロセスの大きな違いにまたがって一般化する帰納バイアスを取得し、粒子物理学における検出器に依存しない推論のパラダイムを指していることを示唆している。

関連論文リスト

• Zatom-1: A Multimodal Flow Foundation Model for 3D Molecules and Materials [51.342983349686556]
  汎用的な3Dケミカルモデリングは分子や材料を含み、生成能力と予測能力の両方を必要とする。 Zatom-1は、3D分子や材料の生成的および予測的学習を統一する、エンド・ツー・エンドの完全なオープンソース基盤モデルである。
  論文  参考訳（メタデータ） (2026-02-24T20:52:39Z)
• OmniJet-$α$: The first cross-task foundation model for particle physics [0.0]
  ファンデーションモデルはマルチデータセットとマルチタスクの機械学習手法で、一度トレーニングされたら、様々なダウンストリームアプリケーションのために微調整できる。 我々は,この課題について,いくつかの点で大きな進展を報告している。 我々は、教師なし問題(ジェット世代)と教師なしタスク(ジェットタグ付け)の移行学習を、新しいOmniJet-$alpha$モデルで実証する。
  論文  参考訳（メタデータ） (2024-03-08T19:00:01Z)
• 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)
• Masked Particle Modeling on Sets: Towards Self-Supervised High Energy Physics Foundation Models [4.299997052226609]
  Masked Particle Modeling (MPM) は、無秩序な入力集合上の汎用的、転送可能、再利用可能な表現を学習するための自己教師付き手法である。 本研究では,コライダー物理実験における高エネルギージェットの試料中の方法の有効性について検討した。
  論文  参考訳（メタデータ） (2024-01-24T15:46:32Z)
• SE(3)-Stochastic Flow Matching for Protein Backbone Generation [54.951832422425454]
  我々はFoldFlowを紹介した。FoldFlowは,3mathrmD$の剛性運動に対するフローマッチングパラダイムに基づく,モデリング能力向上のための新しい生成モデルである。 FoldFlow生成モデルのファミリーは、タンパク質の生成モデルに対する従来のアプローチよりもいくつかの利点を提供している。
  論文  参考訳（メタデータ） (2023-10-03T19:24:24Z)
• Improved particle-flow event reconstruction with scalable neural networks for current and future particle detectors [1.4609888393206634]
  電子-陽電子衝突における事象再構成のためのスケーラブルな機械学習モデルについて, フル検出器シミュレーションに基づく検討を行った。 グラフニューラルネットワークとカーネルベースのトランスフォーマーを比較し、現実的な再構築を実現しつつ、操作を回避できることを実証する。 最良のグラフニューラルネットワークモデルでは、ルールベースのアルゴリズムと比較して、ジェット横運動量分解能が最大50%向上している。
  論文  参考訳（メタデータ） (2023-09-13T08:16:15Z)
• 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)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。