論文の概要: Learning Minimal-Deviation Corrections for Multi-Dimensional Mismodelling in HEP Simulations

• arxiv url: http://arxiv.org/abs/2605.07460v1
• Date: Fri, 08 May 2026 09:07:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.937282
• Title: Learning Minimal-Deviation Corrections for Multi-Dimensional Mismodelling in HEP Simulations
• Title（参考訳）: HEPシミュレーションにおける多次元ミスモデリングのための最小誤差補正の学習
• Authors: Matthias Schott, Lucie Flek,
• Abstract要約: 高エネルギー物理学におけるモンテカルロモデリングは、特にシミュレーションが観測データの再生に失敗する複雑なシナリオにおいて困難である。 実際には、実験情報は1次元(1次元)の分布に制限されることが多いが、誤モデリングは多次元の特徴空間で発生する。 本稿では、利用可能な1次元ターゲット分布を再現するシミュレーションイベントの変換を学習し、これらの制約の下で動作させるニューラルネットワークベースの手法を提案する。
• 参考スコア（独自算出の注目度）: 10.078675569996992
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate Monte Carlo (MC) modelling in high-energy physics is challenging, particularly in complex scenarios where simulations fail to reproduce observed data. In practice, experimental information is often limited to one-dimensional (1D) distributions, while mismodelling arises in a multidimensional feature space. This restricts traditional correction methods, as one-dimensional reweighting ignores correlations and fully multidimensional approaches require large target datasets. We propose a neural network-based method that operates under these constraints by learning a transformation of simulated events that reproduces the available 1D target distributions while remaining close to the original simulation. This minimal-deviation principle preserves the global correlation structure of the baseline model while enabling targeted corrections of mismodelled features. Using controlled studies with simulated pseudo-data, we show that the method improves agreement with target distributions and maintains a consistent multidimensional structure. The approach is designed for complex, high-dimensional analyses where traditional techniques are insufficient, providing a scalable way to enhance MC modelling under limited information.
• Abstract（参考訳）: 高エネルギー物理学における正確なモンテカルロ (MC) モデリングは、特にシミュレーションが観測データの再現に失敗する複雑なシナリオでは困難である。 実際には、実験情報は1次元(1次元)の分布に制限されることが多いが、誤モデリングは多次元の特徴空間で発生する。 これは、1次元の再重み付けが相関を無視し、完全に多次元のアプローチは大きなターゲットデータセットを必要とするため、従来の補正方法を制限する。 本稿では,これらの制約の下で動作させるニューラルネットワークに基づく手法を提案する。この手法は,元のシミュレーションに近づきながら,利用可能な1次元ターゲット分布を再現するシミュレーションイベントの変換を学習することによって実現される。 この最小偏差原理は, ベースラインモデルの大域的相関構造を保ちつつ, 誤モデル化された特徴のターゲット補正を可能にする。 擬似データを用いた制御された研究により,本手法は対象分布との整合性を向上し,一貫した多次元構造を維持できることを示す。 この手法は従来の手法が不十分な複雑な高次元解析のために設計されており、限られた情報の下でMCモデリングを強化するスケーラブルな方法を提供する。

関連論文リスト

• Fusing CFD and measurement data using transfer learning [49.1574468325115]
  本稿では,伝送学習によるシミュレーションと計測データを組み合わせたニューラルネットワークに基づく非線形手法を提案する。 最初のステップでは、ニューラルネットワークがシミュレーションデータに基づいてトレーニングされ、分散量の空間的特徴を学習する。 第2のステップは、ニューラルネットワークモデル全体の小さなサブセットを再トレーニングするだけで、シミュレーションと測定の間の体系的なエラーを修正するために、測定データ上での変換学習である。
  論文  参考訳（メタデータ） (2025-07-28T07:21:46Z)
• Geometric Regularity in Deterministic Sampling of Diffusion-based Generative Models [39.94246633953425]
  決定論的サンプリング力学における顕著な幾何学的規則性を明らかにする。 すべての軌道は、モデルアーキテクチャ、適用条件、生成された内容に関わらず、ほぼ同じ「ボメラン」形状を示す。 提案手法は,サンプリング時間スケジュールと基礎となる軌道構造との整合性を向上する動的プログラミングに基づくスキームを提案する。
  論文  参考訳（メタデータ） (2025-06-11T21:09:09Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• A theoretical framework for overfitting in energy-based modeling [5.1337384597700995]
  相互作用ネットワークの同定を目的とした逆問題に対するペアワイズエネルギーベースモデルの学習における限られたデータの影響について検討する。 これらの時間スケールとトレーニングの初期条件との相互作用から早期停止の最適点が生じることを示す。 本稿では、スコアマッチングの下でのスコア関数のニューラルネットワークカーネルダイナミクスを導出することにより、任意のエネルギーベースモデルへの一般化を提案する。
  論文  参考訳（メタデータ） (2025-01-31T14:21:02Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Solving Inverse Problems with Model Mismatch using Untrained Neural Networks within Model-based Architectures [14.551812310439004]
  モデルベースアーキテクチャでは,各インスタンスの計測領域におけるデータの一貫性を一致させるために,トレーニングされていないフォワードモデル残差ブロックを導入する。 提案手法は,パラメータ感受性が低く,追加データを必要としない統一解を提供し,前方モデルの同時適用と1パスの再構成を可能にする。
  論文  参考訳（メタデータ） (2024-03-07T19:02:13Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• On the Influence of Enforcing Model Identifiability on Learning dynamics of Gaussian Mixture Models [14.759688428864159]
  特異モデルからサブモデルを抽出する手法を提案する。 本手法はトレーニング中のモデルの識別性を強制する。 この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
  論文  参考訳（メタデータ） (2022-06-17T07:50:22Z)
• Manifold Alignment-Based Multi-Fidelity Reduced-Order Modeling Applied to Structural Analysis [0.8808021343665321]
  本研究は,最近開発されたパラメトリック,非貫入性,多次元縮小次モデリング法の高次元変位場および応力場への適用について述べる。 その結果、不整合格子を用いた構造シミュレーションから得られる出力、あるいは関連する異なる位相は、容易に単一の予測モデルに組み合わされることが示されている。 新しいマルチフィデリティ縮小次数モデルでは,単一フィデリティモデルと比較して計算コストが低い場合に,比較的高い予測精度が得られる。
  論文  参考訳（メタデータ） (2022-06-14T15:28:21Z)
• Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
  マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。 これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
  論文  参考訳（メタデータ） (2021-03-01T22:55:48Z)

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。