論文の概要: Predicting the Neutrino Mass Ordering Using Neural Networks

• arxiv url: http://arxiv.org/abs/2606.03745v1
• Date: Tue, 02 Jun 2026 15:00:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-21 20:00:42.717396
• Title: Predicting the Neutrino Mass Ordering Using Neural Networks
• Title（参考訳）: ニューラルネットワークによるニュートリノの大量注文予測
• Authors: T. J. C. Bezerra, L. Asquith, E. Bannister, W. Shorrock,
• Abstract要約: 合成長周期データセットに基づいて学習したフィードフォワードニューラルネットワーク分類器を用いて,大規模注文決定のための機械学習戦略を検討する。 ニューラルネットワークは、従来のシナリオに匹敵するパフォーマンスを実現し、確立された分析の柔軟で独立したクロスチェックを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Determining the neutrino mass ordering remains a central open problem in particle physics. While next-generation long-baseline experiments are expected to resolve this question, current data provide limited sensitivity because the spectral differences between normal and inverted ordering are subtle and entangled with parameter degeneracies. We investigate a machine-learning strategy for mass-ordering determination using a feed-forward neural-network classifier trained on synthetic long-baseline datasets generated with three-flavour oscillation probabilities, matter effects, and statistical fluctuations. We evaluate the classifier against standard $χ^2$ and $\log\mathcal{L}$ approaches using common discrimination metrics, including receiver-operating-characteristic curves, to quantify sensitivity and to illustrate how operating points can be selected to prioritise purity or efficiency. We find that the neural network achieves performance comparable to conventional fits for the scenarios studied, providing a flexible, independent cross-check of established analyses. The framework can be extended to incorporate systematic uncertainties and to explore joint inference of oscillation parameters, and it may also serve as a pedagogical tool for introducing machine-learning methods in neutrino physics.
• Abstract（参考訳）: ニュートリノの質量秩序を決定することは、粒子物理学の中心的な問題である。 次世代のロングベースライン実験ではこの問題が解決されると予想されているが、現在のデータは、通常の順序と逆順序のスペクトル差が微妙で、パラメータの縮退と絡み合っているため、感度が制限されている。 本研究では,3自由度振動確率,物質効果,統計ゆらぎを考慮した合成長ベースラインデータセットを用いて学習したフィードフォワードニューラルネットワーク分類器を用いて,大規模注文決定のための機械学習戦略について検討した。 我々は、受信器操作特性曲線を含む共通の識別指標を用いて、標準の $ ^2$ と $\log\mathcal{L}$ に対して分類器を評価し、感度を定量化し、操作点が純粋性や効率を優先するためにどのように選択できるかを説明する。 ニューラルネットワークは、従来のシナリオに匹敵するパフォーマンスを実現し、確立された分析の柔軟で独立したクロスチェックを提供する。 このフレームワークは、系統的な不確実性を取り入れ、振動パラメータの合同推論を探索するために拡張することができ、ニュートリノ物理学に機械学習手法を導入するための教育ツールとしても機能する。

関連論文リスト

• Neural Additive Experts: Context-Gated Experts for Controllable Model Additivity [45.48194499967696]
  本稿では,解釈可能性と精度をシームレスにバランスさせる新しいフレームワークを提案する。 Neural Additive Experts (NAEs)は専門家フレームワークの混合を採用し、機能ごとに複数の専門的なネットワークを学習する。 我々はNAEが予測精度と透過的特徴レベルの説明の最適バランスを実現することを示す。
  論文  参考訳（メタデータ） (2026-02-11T07:19:25Z)
• How deep is your network? Deep vs. shallow learning of transfer operators [0.4473327661758546]
  我々は、データから転送演算子とそのスペクトル分解を学習するためのRaNNDyと呼ばれるランダム化ニューラルネットワークアプローチを提案する。 主な利点は、精度の顕著な低下がなければ、このアプローチがトレーニング時間とリソースを大幅に削減することです。 複素力学系の挙動解析に重要な応用があるクープマン作用素やペロン・フロベニウス作用素など、様々な力学作用素に対する結果を示す。
  論文  参考訳（メタデータ） (2025-09-24T09:38:42Z)
• Simulation-based inference for Precision Neutrino Physics through Neural Monte Carlo tuning [0.0]
  シミュレーションに基づく推論フレームワークにおいて,ニューラルネットワークを用いた推定手法を提案する。 キャリブレーションデータの可能性をモデル化する2つの相補的ニューラルネットワーク密度推定器を開発した。 私たちのフレームワークは、特定のニーズに対して最適なメソッドを選択する柔軟性を提供します。
  論文  参考訳（メタデータ） (2025-07-31T07:33:05Z)
• Neural Contraction Metrics with Formal Guarantees for Discrete-Time Nonlinear Dynamical Systems [17.905596843865705]
  収縮メトリクスは、様々な力学系の安定性、堅牢性、収束性を分析する強力なフレームワークを提供する。 しかしながら、複雑な非線形系に対するこれらの指標の同定は、効果的なツールが欠如しているため、未解決の課題である。 本稿では,離散的スケーラブル非線形システムに対する検証可能な収縮指標について述べる。
  論文  参考訳（メタデータ） (2025-04-23T21:27:32Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• MARS: Meta-Learning as Score Matching in the Function Space [79.73213540203389]
  本稿では,一連の関連するデータセットから帰納バイアスを抽出する手法を提案する。 機能的ベイズニューラルネットワーク推論を用いて、前者をプロセスとみなし、関数空間で推論を行う。 本手法は,データ生成プロセスのスコア関数をメタラーニングすることにより,複雑な事前知識をシームレスに獲得し,表現することができる。
  論文  参考訳（メタデータ） (2022-10-24T15:14:26Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Adaptive Neuro Fuzzy Networks based on Quantum Subtractive Clustering [5.957580737396458]
  本稿では,tskファジィ型と改良された量子サブトラクティブクラスタリングを用いた適応型ニューロファジィネットワークを開発した。 実験結果から, 量子サブトラクティブクラスタリングに基づくAnfisは近似と一般化能力に優れていた。
  論文  参考訳（メタデータ） (2021-01-26T20:59:48Z)
• On the application of Physically-Guided Neural Networks with Internal Variables to Continuum Problems [0.0]
  内部変数を用いた物理誘導型ニューラルネットワーク(PGNNIV)を提案する。 普遍的な物理法則は、あるニューロンの値がシステムの内部状態変数として解釈されるように、ニューラルネットワークの制約として使用される。 これにより、ネットワークの容量が拡大するだけでなく、より高速な収束、少ないデータ要求、追加のノイズフィルタリングといった予測特性も向上する。 トレーニングセットで測定可能な値のみを用いることで,予測的かつ説明的能力を示すことによって,この新たな方法論を連続的な物理問題に拡張する。
  論文  参考訳（メタデータ） (2020-11-23T13:06:52Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)

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。