論文の概要: Machine Learning for neutron source distributions

• arxiv url: http://arxiv.org/abs/2605.12165v1
• Date: Tue, 12 May 2026 14:13:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.909322
• Title: Machine Learning for neutron source distributions
• Title（参考訳）: 中性子源分布の機械学習
• Authors: Jose Ignacio Robledo, Norberto Schmidt, Klaus Lieutenant, Jingjing Li, Stefan Kesselheim, Paul Zakalek,
• Abstract要約: 機械学習の最近の進歩を踏まえ,中性子源分布推定の新しい手法を提案する。 この推定は、機械学習モデルのトレーニング段階でのみ必要とされるモンテカルロ粒子リストに基づいている。 可変オートエンコーダ,正規化フロー,生成対向ネットワーク,およびデノナイズ拡散モデルなど,様々な生成モデルの性能を評価した。
• 参考スコア（独自算出の注目度）: 7.558632112080425
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In light of the recent advancements in machine learning, we propose a novel approach to neutron source distribution estimation through the utilisation of probabilistic generative models. The estimation is based on a Monte Carlo particle list, which is only required during the training stage of the machine learning model. Once the source distribution has been learned, the model is independent of the original particle list, allowing for further sampling in an efficient, rapid, and memory-costless manner. The performance of various generative models is evaluated, including a variational autoencoder, a normalizing flow, a generative adversarial network, and a denoising diffusion model. These approaches are then compared to existing source distribution estimations, and the advantages and disadvantages of each approach are discussed. The results demonstrate that source distributions can be modeled through the use of probabilistic generative models, which paves the way for further advancements in this field.
• Abstract（参考訳）: 近年の機械学習の進歩を踏まえ,確率的生成モデルを用いた中性子源分布推定手法を提案する。 この推定は、機械学習モデルのトレーニング段階でのみ必要とされるモンテカルロ粒子リストに基づいている。 一度ソース分布が学習されると、モデルは元のパーティクルリストとは独立して、より効率的で、迅速で、メモリコストのかかる方法でサンプリングすることができる。 可変オートエンコーダ,正規化フロー,生成対向ネットワーク,およびデノナイズ拡散モデルなど,様々な生成モデルの性能を評価した。 これらのアプローチを既存のソース分布推定と比較し、それぞれのアプローチの利点と欠点について議論する。 以上の結果から,確率的生成モデルを用いて音源分布をモデル化できることが示唆された。

関連論文リスト

• Score-based Idempotent Distillation of Diffusion Models [0.9367224590861915]
  一等性生成ネットワーク(IGN)は、対象多様体への等等性写像に基づく新しい生成モデルである。 本研究では拡散モデルスコアから等等化モデルを蒸留することにより拡散とIGNを結合し、SIGNと呼ぶ。 提案手法は非常に安定しており, 対向的損失を伴わないため, 提案手法の理論的解析を行い, IGNを予め学習した拡散モデルから効果的に蒸留できることを実証的に示す。
  論文  参考訳（メタデータ） (2025-09-25T19:36:10Z)
• A Malliavin calculus approach to score functions in diffusion generative models [5.356426524707653]
  我々は、幅広い非線形拡散生成モデルに対するスコア関数の正確な閉形式式を導出する。 我々の結果は微分方程式のより広範なクラスに拡張することができ、スコアベース拡散生成モデルの開発のための新しい方向を開拓することができる。
  論文  参考訳（メタデータ） (2025-07-08T00:20:57Z)
• Overcoming Dimensional Factorization Limits in Discrete Diffusion Models through Quantum Joint Distribution Learning [79.65014491424151]
  量子離散化拡散確率モデル(QD3PM)を提案する。 これは、指数関数的に大きなヒルベルト空間における拡散と denoising を通じて合同確率学習を可能にする。 本稿では,共同分布学習における量子的優位性を生かして,生成モデルの新たな理論的パラダイムを確立する。
  論文  参考訳（メタデータ） (2025-05-08T11:48:21Z)
• Accelerated Diffusion Models via Speculative Sampling [89.43940130493233]
  投機的サンプリングは、大規模言語モデルにおける推論を加速する一般的な手法である。 我々は投機的サンプリングを拡散モデルに拡張し、連続したベクトル値のマルコフ連鎖を介してサンプルを生成する。 本稿では,ドラフトモデルをトレーニングする必要のない,シンプルで効果的なアプローチを含む,さまざまなドラフト戦略を提案する。
  論文  参考訳（メタデータ） (2025-01-09T16:50:16Z)
• Reward-Directed Score-Based Diffusion Models via q-Learning [8.725446812770791]
  生成AIのための連続時間スコアベース拡散モデルのトレーニングのための新しい強化学習(RL)法を提案する。 ノイズ摂動データ分布の未知のスコア関数に対する事前学習モデルは含まない。 本稿では,その性能を2つの最先端RL法と比較することにより,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-09-07T13:55:45Z)
• Improving Out-of-Distribution Robustness of Classifiers via Generative Interpolation [56.620403243640396]
  ディープニューラルネットワークは、独立かつ同一に分散されたデータ(すなわち、d)から学習する上で、優れたパフォーマンスを達成する。 しかし、アウト・オブ・ディストリビューション(OoD)データを扱う場合、その性能は著しく低下する。 多様なOoDサンプルを合成するために,複数のドメインから学習した生成モデルを融合するための生成補間法(Generative Interpolation)を開発した。
  論文  参考訳（メタデータ） (2023-07-23T03:53:53Z)
• Particle Dynamics for Learning EBMs [83.59335980576637]
  エネルギーベースモデリングは教師なし学習への有望なアプローチであり、単一のモデルから多くの下流アプリケーションを生み出す。 コントラスト的アプローチ(contrastive approach)"でエネルギーベースモデルを学習する際の主な困難は、各イテレーションで現在のエネルギー関数からサンプルを生成することである。 本稿では,これらのサンプルを取得し,現行モデルからの粗大なMCMCサンプリングを回避するための代替手法を提案する。
  論文  参考訳（メタデータ） (2021-11-26T23:41:07Z)
• Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
  まず確率分布をモデル化し,そのモデルからサンプリングする。 これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
  論文  参考訳（メタデータ） (2021-10-20T12:25:22Z)

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。