論文の概要: CaloTrilogy: Toward a Breakthrough in One-Step, End-to-End, Physics-Guided Shower Generation for Modern Calorimeters
- arxiv url: http://arxiv.org/abs/2606.04165v1
- Date: Tue, 02 Jun 2026 19:27:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-04 20:44:18.3496
- Title: CaloTrilogy: Toward a Breakthrough in One-Step, End-to-End, Physics-Guided Shower Generation for Modern Calorimeters
- Title（参考訳）: カロトリオロジー - 最新のカロリメータのためのワンステップ・エンド・ツー・エンド・エンド・物理誘導型ショーア生成のブレークスルーを目指して
- Authors: Cheng Jiang, Sitian Qian, Kevin Pedro, Oz Amram, Huilin Qu, Maggie Voetberg,
- Abstract要約: フローマッチングと拡散に基づく生成モデルは、高次元高速シミュレーションにおける主要なアプローチとなっている。
速度, シャワー品質, 物理忠実度とのバランスを改善する統一的な枠組みを導入する。
- 参考スコア（独自算出の注目度）: 1.928577439874572
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-precision calorimeter simulation at current and future colliders imposes rapidly growing computational demands, motivating the development of machine-learning surrogates for traditional Monte Carlo tools such as Geant4. Flow matching and diffusion-based generative models have become leading approaches for high-dimensional fast simulation because of their sample quality, but typically require ${\cal O}(100)$ function evaluations at inference and often rely on auxiliary networks to constrain global observables, compromising streamlined end-to-end generation. We introduce a unified framework that improves the balance between speed, shower quality, and physics fidelity. The method combines: (i) an average velocity field integrator that enables sampling in one or a few evaluations; (ii) a learned generative prior in shower space, constructed from data rather than random noise; and (iii) physics-guided loss terms that impose inductive biases on key observables during training. These elements are training time regularizers, preserving end-to-end inference with no additional cost. With only one or a few evaluation steps, the model achieves shower quality competitive with state-of-the-art flow and diffusion approaches, tested on several public high granularity calorimeter datasets. The results demonstrate inter-layer shower structure consistent with the underlying physics, providing a strong candidate for future fast simulation workflows.
- Abstract（参考訳）: 現在の衝突機と将来の衝突機における高精度のカロリーメータシミュレーションは、急速に増大する計算要求を課し、Geant4のようなモンテカルロの伝統的なツールのための機械学習サロゲートの開発を動機付けている。
フローマッチングと拡散に基づく生成モデルは、サンプル品質のため、高次元の高速シミュレーションにおいて主要なアプローチとなっているが、典型的には推論時の関数評価に${\cal O}(100)$が必要であり、大域的に観測可能なものを制限するために補助的ネットワークに依存し、合理化されたエンド・ツー・エンド・ジェネレーションを妥協する。
速度, シャワー品質, 物理忠実度とのバランスを改善する統一的な枠組みを導入する。
方法が組み合わさる。
一 平均速度場積分器であって、一又は数回の評価をサンプリングすることができるもの
二 ランダムノイズというよりはむしろデータから構築されたシャワー空間における学習前の生成物
三 物理誘導損失項で、訓練中に重要観測物に誘導バイアスを課すもの
これらの要素はトレーニングタイムレギュレータであり、追加コストなしでエンドツーエンドの推論を保存する。
評価ステップは1回か数回しかなく、いくつかの高粒度カロリーデータセットでテストされた最先端のフローと拡散アプローチと競合するシャワー品質を実現する。
その結果、層間シャワー構造が基礎となる物理と整合していることが示され、将来の高速シミュレーションワークフローの強い候補となる。
関連論文リスト
- Recursive Flow Matching [26.525851478512678]
本稿では,複雑な力学を予測するための生成フレームワークRecursive Flow Matching (RecFM)を紹介する。
RecFMは、離散化スケールを調整するための自己整合性を強制し、離散化エラーを低減し、物理ベースのタスクのメトリクス間でのパフォーマンスを改善する。
論文 参考訳（メタデータ） (2026-05-26T04:32:01Z) - One-Step Generative Modeling via Wasserstein Gradient Flows [56.266175641614986]
W-Flowは、単純な参照分布からサンプルをターゲットデータ分布からサンプルに変換するジェネレータを1ステップでトレーニングするフレームワークである。
我々は1ステップのImageNet 256$times$256 生成のための新しい技術状況を設定し、モードカバレッジとドメイン転送を改善した 1.29 FID を達成した。
論文 参考訳（メタデータ） (2026-05-12T08:29:44Z) - PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。
我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。
本手法は,結合予測システムの長期安定性を著しく向上させる。
論文 参考訳（メタデータ） (2026-05-09T13:12:33Z) - Physical Fidelity Reconstruction via Improved Consistency-Distilled Flow Matching for Dynamical Systems [3.692960109077297]
本研究では,高速な科学的フロー再構成のためのコンパクトなワンステップモデルに高忠実なフローマッチング生成モデルを圧縮できるかどうかを考察する。
提案手法は, 最適流路整合型教師を1ステップの整合性モデルに抽出する。
輸送路沿いのノイズ観測から生成軌道を初期化することにより,低忠実度観測を推論時に組み込む。
論文 参考訳（メタデータ） (2026-05-07T10:20:50Z) - Prediction of Steady-State Flow through Porous Media Using Machine Learning Models [3.2250618460602705]
多孔質媒体を流れる流れは、冷板の位相最適化における重要なステップである。
従来の計算流体力学法は、大規模かつ複雑な測地にとって、しばしば不当に高価である。
そこで我々は,Navier-Stokes-Brinkman方程式による多孔質媒質による定常流れの予測を行う機械学習フレームワークを開発した。
論文 参考訳（メタデータ） (2026-03-06T14:28:46Z) - Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。
速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
論文 参考訳（メタデータ） (2025-12-01T05:14:25Z) - Predictive Feature Caching for Training-free Acceleration of Molecular Geometry Generation [67.20779609022108]
フローマッチングモデルは、高忠実度分子ジオメトリを生成するが、推論中にかなりの計算コストを発生させる。
本研究は,分子幾何生成を加速する学習自由キャッシング戦略について論じる。
GEOM-Drugsデータセットの実験は、キャッシングがウォールクロックの推測時間の2倍の削減を実現することを示した。
論文 参考訳（メタデータ） (2025-10-06T09:49:14Z) - OmniFluids: Physics Pre-trained Modeling of Fluid Dynamics [25.066485418709114]
OmniFluidsは、基礎流体力学の法則を捉え、多様な下流タスクに効率的に適応する純粋物理事前学習モデルである。
本研究では,物理のみの事前学習,粗粒度演算子蒸留,小ショットファインチューニングを併用したトレーニングフレームワークを開発した。
テストによると、OmniFluidsは流れ場の予測と統計の点で最先端のAI駆動手法より優れている。
論文 参考訳（メタデータ） (2025-06-12T16:23:02Z) - Mean Flows for One-step Generative Modeling [64.4997821467102]
本稿では,一段階生成モデリングのための原理的かつ効果的なフレームワークを提案する。
ニューラルネットワークトレーニングのガイドには,平均速度と瞬時速度を適切に定義したアイデンティティが導出され,使用される。
提案手法はMeanFlowモデルと呼ばれ,自己完結型であり,事前学習,蒸留,カリキュラム学習は不要である。
論文 参考訳（メタデータ） (2025-05-19T17:59:42Z) - Hierarchically Disentangled Recurrent Network for Factorizing System Dynamics of Multi-scale Systems: An application on Hydrological Systems [4.634606500665259]
複数の時間スケールでシステムダイナミクスを分解する新しい階層的リカレントニューラルネットワークを提案する。
国立気象局ノース・セントラル・リバー・フォアキャスト・センターからの幾らかの捕獲実験では、FHNNが標準ベースラインを上回っていることを示している。
我々は,FHNNが,効果的な事前学習戦略とグローバルモデルの訓練を通じて,限られたトレーニングデータであっても精度を維持することができることを示す。
論文 参考訳（メタデータ） (2024-07-29T16:25:43Z)
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。