論文の概要: BRICKS: Compositional Neural Markov Kernels for Zero-Shot Radiation-Matter Simulation

• arxiv url: http://arxiv.org/abs/2605.06591v1
• Date: Thu, 07 May 2026 17:19:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:12.028431
• Title: BRICKS: Compositional Neural Markov Kernels for Zero-Shot Radiation-Matter Simulation
• Title（参考訳）: BRICKS:Zero-Shot Radiation-Matter Simulationのための合成ニューラルマルコフカーネル
• Authors: Richard Hildebrandt, Evangelos Kourlitis, Baran Hashemi, Manuel Bünstorf, Thierry Meyer, Nikola Boskov, Michael Kagan, Dan Rosenbaum, Sanmay Ganguly, Lukas Heinrich,
• Abstract要約: 我々は, 放射-物質相互作用のための合成型ニューラルネットワークの新たな戦略を導入する。 粒子相互作用の局所性とマルコフの性質をエクスプロイトすることで、エンペクスト粒子予測カーネルを作成する。 このモデルは、入射粒子と物質体積との相互作用の結果生じる可変サイズの型付き粒子と放射側効果を生成する。
• 参考スコア（独自算出の注目度）: 2.2650024890957385
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a new strategy for compositional neural surrogates for radiation-matter interactions, a key task spanning domains from particle physics through nuclear and space engineering to medical physics. Exploiting the locality and the Markov nature of particle interactions, we create a \emph{next-particle prediction} kernel using hybrid discrete-continuous transformer models based on Riemannian Flow Matching on product manifolds. The model generates variable-sized typed sets of particles and radiation side effects that are the result of the interaction of an incident particle with a material volume. The resulting kernel can be composed to simulate unseen large-scale material distributions in a zero-shot manner. Unlike mechanistic simulators, our model is designed to be differentiable, provides tractable likelihoods for future downstream applications. A significant computational speed-up on GPU compared to CPU-bound mechanistic simulation is observed for single-kernel execution. We evaluate the model at the kernel level and demonstrate predictive stability over multi-round autoregressive rollouts. We additionally release a novel 20M-event radiation-matter interaction dataset for further research.
• Abstract（参考訳）: 本稿では, 粒子物理学から核工学, 宇宙工学, 医学まで, 領域にまたがる重要な課題である, 放射-物質相互作用のための合成ニューラルサロゲートの新たな戦略を提案する。 粒子相互作用の局所性とマルコフの性質をエクスプロイトし、積多様体上のリーマンフローマッチングに基づくハイブリッド離散連続変圧器モデルを用いて \emph{next- Particle prediction} カーネルを作成する。 このモデルは、入射粒子と物質体積との相互作用の結果生じる可変サイズの型付き粒子と放射側効果を生成する。 結果のカーネルは、目に見えない大規模な物質分布をゼロショットでシミュレートするために構成することができる。 メカニスティックシミュレータとは異なり、我々のモデルは微分可能であり、将来のダウンストリームアプリケーションに対して、抽出可能な可能性を提供する。 シングルカーネル実行では、CPUバウンド力学シミュレーションと比較してGPUの計算速度が大幅に向上する。 このモデルをカーネルレベルで評価し,複数ラウンドの自己回帰ロールアウトに対する予測安定性を示す。 また、さらに研究を行うため、新たに20Mの放射・物質相互作用データセットをリリースする。

関連論文リスト

• Bridging the Simulation-to-Experiment Gap with Generative Models using Adversarial Distribution Alignment [51.246114581338865]
  科学と工学における根本的な課題は、シミュレーションと実験のギャップである。 このギャップを埋めるデータ駆動型分散アライメントフレームワークを提案する。 本手法は,複数個の相関した観測可能値であっても,対象の観測可能分布を復元できることを実証する。
  論文  参考訳（メタデータ） (2026-04-01T17:21:33Z)
• 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)
• Acceleration of Atomistic NEGF: Algorithms, Parallelization, and Machine Learning [61.12861060232382]
  非平衡グリーン関数(NEGF)はナノスケールデバイスの量子輸送特性をシミュレートする強力な方法である。 本稿では,DFT+NEGFシミュレーションを現実的なシステムの次元や機能に近づけるための重要な(アルゴリズム的な)成果を要約する。
  論文  参考訳（メタデータ） (2026-02-03T12:01:39Z)
• Learning collision operators from plasma phase space data using differentiable simulators [0.0]
  この研究は微分可能な運動シミュレータと勾配に基づく最適化法を組み合わせて、位相空間のダイナミクスを最もよく記述する衝突作用素を学習する。 本研究では,空間的に均一な熱プラズマの2次元粒子・セルシミュレーションデータを用いて実験を行った。
  論文  参考訳（メタデータ） (2026-01-15T22:31:26Z)
• Generative adversarial neural networks for simulating neutrino interactions [0.0]
  本稿では,ニュートリノ散乱現象を標準モンテカルロ発生器の代替としてシミュレートする新しい手法を提案する。 ミューオン運動変数、特にそのエネルギーと散乱角を生成するための単純化された枠組みを考える。 2つのGANモデルが得られ、1つは準弾性ニュートリノ核散乱をシミュレートし、もう1つは与えられたニュートリノエネルギーで全ての相互作用をシミュレートした。
  論文  参考訳（メタデータ） (2025-02-27T16:28:39Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Generative Diffusion Models for Fast Simulations of Particle Collisions at CERN [3.2686289567336235]
  高エネルギー物理シミュレーションでは、CERNの大型ハドロン衝突型加速器における粒子衝突実験の複雑さの解明に重要な役割を果たしている。 近年の進歩は、最先端の生成機械学習手法として拡散モデルの有効性を強調している。 拡散モデルに基づくALICE実験において,Zero Degree Calorimeter (ZDC) のシミュレーションを行った。
  論文  参考訳（メタデータ） (2024-06-05T13:11:53Z)
• Interpretable Joint Event-Particle Reconstruction for Neutrino Physics at NOvA with Sparse CNNs and Transformers [124.29621071934693]
  本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。 TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。 このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
  論文  参考訳（メタデータ） (2023-03-10T20:36:23Z)
• Particle clustering in turbulence: Prediction of spatial and statistical properties with deep learning [6.91821181311687]
  等方性流体乱流の周期領域におけるEpsteinドラッグ状態における粒子の動力学をシミュレートする。 我々はU-Netディープラーニングモデルを訓練し、対応する流体場を入力として与えられた粒子密度と速度場の格子表現を予測する。 以上の結果から, 深層学習は, 乱流内の粒子群集の予測において, 直接数値シミュレーションを補完する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-10-05T15:46:28Z)
• Transformer with Implicit Edges for Particle-based Physics Simulation [135.77656965678196]
  Implicit Edges (TIE) を用いたトランスフォーマーは、素粒子相互作用のリッチなセマンティクスをエッジフリーでキャプチャする。 様々な複雑さと素材の多様な領域におけるモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-07-22T03:45:29Z)
• Optimising hadronic collider simulations using amplitude neural networks [0.0]
  我々はNJet C++ライブラリから1ループ振幅でニューラルネットワークモデルをトレーニングし、Sherpa Monte Carloイベントジェネレータとインターフェースする。 その結果,分布の一致は良好であり,シミュレーション時間も30倍に短縮された。
  論文  参考訳（メタデータ） (2022-02-09T15:08:30Z)

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。