論文の概要: Transfer Learning Across Fast- and Full-Simulation Domains in High-Energy Physics
- arxiv url: http://arxiv.org/abs/2605.07471v1
- Date: Fri, 08 May 2026 09:18:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:38.944041
- Title: Transfer Learning Across Fast- and Full-Simulation Domains in High-Energy Physics
- Title（参考訳）: 高エネルギー物理における高速及びフルシミュレーション領域間の伝達学習
- Authors: Matthias Schott, Lucie Flek,
- Abstract要約: 本研究では,現実的な環境下での高速・完全シミュレーションデータセット間の伝達学習を体系的に研究する。
本稿では, 信号背景分類, クォークグルーオンジェットタグ付け, 横方向エネルギー再構成の3つの課題について考察する。
モデルはATLASライクな高速シミュレーションで事前訓練され、CMSライクな高速シミュレーションに適応し、完全なATLASオープンデータに適応する。
- 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: Machine-learning models in high-energy physics are often trained on simulated data, where fully simulated samples are computationally expensive while fast simulation provides large statistics at reduced realism. In this work, we systematically study transfer learning between fast-simulated and fully simulated datasets in a realistic LHC environment. We consider three representative tasks, signal-background classification, quark-gluon jet tagging, and missing transverse energy reconstruction, using dense neural networks, graph neural networks, and transformer-based architectures. Models are pretrained on ATLAS-like fast simulation and adapted to CMS-like fast simulation and to fully simulated ATLAS Open Data. Across all tasks, pretrained models consistently outperform independently trained baselines and require significantly less target-domain training data, typically reducing the needed statistics by about a factor of two. These results demonstrate that fast simulation can be used to learn robust, reusable representations and motivate publishing trained models as reusable scientific assets beyond large foundation models.
- Abstract（参考訳）: 高エネルギー物理学における機械学習モデルは、しばしばシミュレーションデータに基づいて訓練される。
本研究では,現実的なLHC環境下での高速・完全シミュレーションデータセット間の伝達学習を系統的に研究する。
本稿では,信号背景分類,クォークグルーオンジェットタグ,高密度ニューラルネットワーク,グラフニューラルネットワーク,トランスフォーマーベースアーキテクチャといった3つのタスクについて検討する。
モデルはATLASライクな高速シミュレーションで事前訓練され、CMSライクな高速シミュレーションに適応し、完全なATLASオープンデータに適応する。
すべてのタスクにおいて、事前訓練されたモデルは、独立に訓練されたベースラインを一貫して上回り、ターゲットドメインのトレーニングデータを大幅に少なくする。
これらの結果は、高速なシミュレーションが、堅牢で再利用可能な表現を学習し、トレーニングされたモデルを大規模な基礎モデルを超えた再利用可能な科学的資産として出版する動機付けに利用できることを示している。
関連論文リスト
- Few-Shot Neural Differentiable Simulator: Real-to-Sim Rigid-Contact Modeling [9.084754731100311]
本稿では,解析的定式化とグラフニューラルネットワーク(GNN)に基づくモデルの表現能力を組み合わせた,数発のリアルタイム・シミュレーション手法を提案する。
本手法は,少数の実世界のデータのみを用いて解析シミュレータを校正し,多様な接触相互作用を捉えた大規模合成データセットを生成する。
実験により,本手法は実世界の軌道を再現する上で,学習ベースシミュレータの差分ベースラインよりも優れていることが示された。
論文 参考訳（メタデータ） (2026-03-06T12:32:56Z) - Data assimilation and discrepancy modeling with shallow recurrent decoders [2.47593085771929]
シャローリカレントデコーダ(DA-SHRED)を用いたデータ同化のための機械学習フレームワークを提案する。
提案アルゴリズムは, 非線形力学に基づく回帰モデルのスパース同定を潜時空間に組み込んで, シミュレーションモデルに欠落するダイナミクスに対応する関数を同定する。
DA-SHREDはSIM2REALのギャップを埋めることに成功し、高度に複雑なシステムにおいて欠落するダイナミクスを回復することを示した。
論文 参考訳（メタデータ） (2025-12-01T01:01:48Z) - Context-aware Learned Mesh-based Simulation via Trajectory-Level Meta-Learning [20.72669976554826]
Learned Graph Network Simulators (GNS)は、従来のメッシュベースの物理シミュレータに代わる有望な代替手段を提供する。
その速度と固有の微分性は、ロボット操作や製造最適化のような高速で正確なシミュレーションを必要とするアプリケーションに適している。
動作プリミティブを用いて、1つのモデルコールから高速で安定で正確なシミュレーションを直接予測する。
論文 参考訳（メタデータ） (2025-11-07T13:34:02Z) - Simulation Priors for Data-Efficient Deep Learning [56.525770511247934]
SimPELは、第一原理モデルとデータ駆動学習を効率的に組み合わせる手法である。
我々は,生物,農業,ロボットなど多様なシステムでSimPELを評価した。
意思決定において,SimPELはモデルに基づく強化学習において,シミュレーションと現実のギャップを埋めることを示した。
論文 参考訳（メタデータ） (2025-09-06T14:36:41Z) - Physics-Informed Diffusion Models for SAR Ship Wake Generation from Text Prompts [4.4173427917548524]
物理学に基づくシミュレータによって生成されたデータに基づいて学習した拡散モデルを開発する。
モデルは現実的なケルビンのウェイクパターンを生成し、物理ベースのシミュレータよりも高速な推論を実現する。
これらの結果は、高速かつ制御可能なウェイク画像生成のための拡散モデルの可能性を強調している。
論文 参考訳（メタデータ） (2025-04-28T20:21:05Z) - AB-UPT: Scaling Neural CFD Surrogates for High-Fidelity Automotive Aerodynamics Simulations via Anchored-Branched Universal Physics Transformers [20.363139473435048]
CFDシミュレーションのためのニューラルサロゲート構築のための新しいモデリング手法としてAB-UPTを導入する。
AB-UPTは,3万3千万から1億5000万のメッシュセルからなる自動車CFDシミュレーションにおいて,表面および体積場の最先端予測精度が得られることを示す。
特に、提案されたモデルは1日以内で1つのGPUでトレーニングでき、業界標準のサーフェスとボリュームフィールドを数秒で予測できる。
論文 参考訳（メタデータ） (2025-02-13T17:58:07Z) - 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) - Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。
我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。
高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
論文 参考訳（メタデータ） (2024-03-25T11:29:32Z) - SimVPv2: Towards Simple yet Powerful Spatiotemporal Predictive Learning [61.419914155985886]
空間的・時間的モデリングにおけるUnetアーキテクチャの必要性を解消する合理化モデルであるSimVPv2を提案する。
SimVPv2はモデルアーキテクチャを単純化するだけでなく、性能と計算効率も改善する。
標準のMoving MNISTベンチマークでは、SimVPv2は、FLOPが少なく、トレーニング時間の半分、推論効率が60%速く、SimVPよりも優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2022-11-22T08:01:33Z) - Continual learning autoencoder training for a particle-in-cell
simulation via streaming [52.77024349608834]
今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します
これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。
この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文 参考訳（メタデータ） (2022-11-09T09:55:14Z)
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。