論文の概要: Forecasting Source Stability in Scientific Experiments using Temporal Learning Models: A Case Study from Tritium Monitoring

• arxiv url: http://arxiv.org/abs/2605.08140v1
• Date: Sat, 02 May 2026 09:52:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.387176
• Title: Forecasting Source Stability in Scientific Experiments using Temporal Learning Models: A Case Study from Tritium Monitoring
• Title（参考訳）: 時間学習モデルを用いた科学実験における予測源安定性:トリチウムモニタリングを事例として
• Authors: Nicholas Tan Jerome, Nadia Aouadi, Christoph Koehler, Suren Chilingaryan, Andreas Kopmann,
• Abstract要約: Karlsruhe Tritium Neutrino Experiment (KATRIN) は、絶対ニュートリノ質量を前例のない感度で測定することを目的としている。 従来のドリフト検出法は、ガストリチウム中の不安定な事象の頻度と過渡的な性質に苦慮している。 本研究では,現状の時系列予測モデルと実世界の実験応用とのギャップを,ディープラーニングを利用して不安定後の安定性を予測することによって埋める。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Karlsruhe Tritium Neutrino Experiment (KATRIN) aims to measure the absolute neutrino mass with unprecedented sensitivity, requiring precise monitoring of the windowless gaseous tritium source, where tritium beta decay occurs. To track variations of the source activity, beta-induced X-ray spectroscopy provides real-time diagnostics. However, traditional drift detection methods struggle with the infrequent and transient nature of instability events in gaseous tritium. This study bridges the gap between state-of-the-art time-series forecasting models and real-world experimental applications by leveraging deep learning to predict the time to stability after instabilities. Unlike standard benchmarking approaches that emphasize algorithmic performance on fixed datasets, we apply forecasting models -- including LSTM, N-BEATS, TFT, NHITS, DLinear, NLinear, TSMixer, and Chronos-LLM -- to complex, large-scale experimental data. Our findings highlight two challenges: learning from sparse instability events and forecasting long time horizons (i.e., predicting hundreds of future points), both of which are ongoing challenges in time-series forecasting and remain active areas of research. This prediction task has direct experimental value by enabling better scheduling and maintenance planning. A reliable forecast of stability time allows for more efficient measurement and task management during stabilization periods. Through model selection, we identified N-BEATS as the top performer, excelling in accuracy and repeatability, demonstrating that deep learning can optimize large-scale physics experiments.
• Abstract（参考訳）: カールスルーエ・トリチウム・ニュートリノ実験(KatriN)は、絶対ニュートリノ質量を前例のない感度で測定することを目的としており、トリチウムベータ崩壊が起こる窓のないガストリチウム源を正確に監視する必要がある。 ソースアクティビティの変動を追跡するため、β誘起X線分光法はリアルタイム診断を提供する。 しかし, 従来のドリフト検出法は, ガストリチウム中の不安定事象の頻度と過渡性に苦慮している。 本研究では,現状の時系列予測モデルと実世界の実験応用とのギャップを,ディープラーニングを利用して不安定後の安定性を予測することによって埋める。 固定データセットのアルゴリズム性能を強調する標準的なベンチマークアプローチとは異なり、LSTM、N-BEATS、TFT、NHITS、DLinear、NLinear、TSMixer、Chronos-LLMといった予測モデルを、複雑で大規模な実験データに適用する。 不安定な出来事から学ぶこと、長期の地平線を予測すること(つまり、数百の将来のポイントを予測すること)の2つの課題が浮かび上がっており、どちらも時系列の予測において進行中の課題であり、研究の活発な領域にとどまっている。 この予測タスクは、より優れたスケジューリングとメンテナンス計画を可能にすることにより、直接的な実験価値を有する。 安定時間の信頼性の高い予測は、安定化期間中のより効率的な測定とタスク管理を可能にする。 モデル選択により,N-BEATSをトップパフォーマーとして同定し,精度と再現性に優れ,ディープラーニングが大規模物理実験を最適化できることを実証した。

関連論文リスト

• Autonomous battery research: Principles of heuristic operando experimentation [5.681725902637965]
  ヒューリスティック・オペラ実験(Huuristic Operando experiment)は、AIパイロットが物理ベースのデジタルツインを活用して、ビームラインを積極的に操り、稀な事象を予測および決定的にキャプチャするフレームワークである。 機械的決定モーメントのみに焦点を合わせることにより、この枠組みは同時にビーム損傷を軽減し、データの冗長性を劇的に低減する。
  論文  参考訳（メタデータ） (2025-12-29T18:08:08Z)
• Evaluating the Sensitivity of BiLSTM Forecasting Models to Sequence Length and Input Noise [0.04774522315161165]
  Bidirectional Long Short-Term Memory (BiLSTM)アーキテクチャは、複雑な時間的依存関係のキャプチャに特に有効である。 本研究では,入力シーケンス長と付加雑音の2つの重要なデータ中心因子について,系統的な実験的検討を行った。 実世界の3つのデータセットを用いて制御実験を行い、異なる入力条件下でのBiLSTM性能を評価する。
  論文  参考訳（メタデータ） (2025-12-07T17:10:06Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Reliable edge machine learning hardware for scientific applications [34.87898436984149]
  極端なデータレートの科学実験は、効率的なMLエッジ処理を必要とする大量のデータを生成する。 このような厳密なレイテンシ、リソース、パワー、および領域要件の下で、科学的なエッジで信頼できるアルゴリズムを開発し、検証するためのアプローチについて議論する。
  論文  参考訳（メタデータ） (2024-06-27T20:45:08Z)
• A Temporally Disentangled Contrastive Diffusion Model for Spatiotemporal Imputation [35.46631415365955]
  C$2$TSDという条件拡散フレームワークを導入する。 実世界の3つのデータセットに対する我々の実験は、最先端のベースラインと比較して、我々のアプローチの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-02-18T11:59:04Z)
• RobustTSF: Towards Theory and Design of Robust Time Series Forecasting with Anomalies [28.59935971037066]
  汚染データからロバストな予測モデルを自動的に学習する手法を開発した。 そこで本研究では,ロバストな予測モデルを学習するための単純かつ効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-03T05:13:09Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising Diffusion Models [53.67562579184457]
  本稿では,不確実性や複雑な依存関係のモデル化が困難であることから,確率的STG予測に焦点をあてる。 本稿では,一般的な拡散モデルをSTGに一般化する最初の試みとして,DiffSTGと呼ばれる新しい非自己回帰フレームワークを提案する。 提案手法は,本質的時間学習能力STNNと拡散モデルの不確実性測定を組み合わせたものである。
  論文  参考訳（メタデータ） (2023-01-31T13:42:36Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)

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。