論文の概要: Machine-learned particle flow as a foundation model for collider physics

• arxiv url: http://arxiv.org/abs/2606.14373v1
• Date: Fri, 12 Jun 2026 12:03:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.884999
• Title: Machine-learned particle flow as a foundation model for collider physics
• Title（参考訳）: コライダー物理の基礎モデルとしての機械学習粒子流
• Authors: Farouk Mokhtar, Joosep Pata, Michael Kagan, Javier Duarte,
• Abstract要約: 本稿では,機械学習問題としての鋳造イベント再構成が,このような共有表現を自然に生み出すことを示す。 潜在表現のみを用いて訓練された1つの線形層が、最先端のベースラインアーキテクチャと競合する性能を達成できることを実証する。
• 参考スコア（独自算出の注目度）: 0.29157078644492396
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The workflow from particle collision to physics analysis passes through a series of reconstruction steps that are traditionally modular and disconnected, with no shared representation linking low-level detector data to high-level analysis tasks. We show that casting event reconstruction as a machine learning problem naturally produces such a shared representation. We repurpose a machine learning model trained for particle-flow reconstruction (MLPF) to perform three distinct analysis tasks: jet flavor identification, jet energy regression, and missing momentum regression. By appending the per-particle latent representations learned during reconstruction as additional input features, we substantially improve over baselines that use kinematic features alone. We further demonstrate that a single linear layer trained using only the latent representations achieves competitive performance against state-of-the-art baseline architectures, and outperforms the baseline for missing momentum regression with approximately 35 times fewer parameters. These results demonstrate that the latent representations learned during reconstruction encode essential physics information needed for downstream analysis, establishing MLPF as a foundation model and offering a concrete step toward an end-to-end pipeline from detector data to physics analysis.
• Abstract（参考訳）: 粒子衝突から物理解析までのワークフローは、伝統的にモジュラーで切断された一連の再構成ステップを通過し、低レベルの検出器データを高レベルの解析タスクにリンクする共有表現は存在しない。 本稿では,機械学習問題としての鋳造イベント再構成が,このような共有表現を自然に生み出すことを示す。 粒子フロー再構成(MLPF)のために訓練された機械学習モデルを用いて, ジェットフレーバー識別, ジェットエネルギ回帰, 運動量回帰の3つの異なる解析タスクを実行する。 再建時に学習した粒子ごとの潜伏表現を入力特徴として付加することにより,運動学的特徴のみを用いるベースラインを大幅に改善する。 さらに、潜在表現のみを用いて訓練された1つの線形層が、最先端のベースラインアーキテクチャと競合する性能を達成し、約35倍のパラメータで運動量回帰を欠くベースラインよりも優れていることを示す。 これらの結果から, 下流解析に必要な物理情報を符号化し, MLPFを基礎モデルとして確立し, 検出器データから物理解析まで, エンド・ツー・エンドパイプラインに向けた具体的なステップを提供する。

関連論文リスト

• Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pre-training [0.4151704012621244]
  異種検出器データから再利用可能な表現を学習するための疎ViTフレームワークを提案する。 自己教師付き事前訓練は、マスク付き自己エンコーダ再構築とリレーショナルボクセルレベルの目的を組み合わせる。 プレトレーニングはニュートリノの風味とチャームクォークの識別を継続的に改善する。
  論文  参考訳（メタデータ） (2026-04-08T12:52:00Z)
• PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
  PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。 この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。 また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
  論文  参考訳（メタデータ） (2024-04-25T15:06:58Z)
• Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
  PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。 運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。 結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
  論文  参考訳（メタデータ） (2024-02-28T02:16:03Z)
• Improved particle-flow event reconstruction with scalable neural networks for current and future particle detectors [1.4609888393206634]
  電子-陽電子衝突における事象再構成のためのスケーラブルな機械学習モデルについて, フル検出器シミュレーションに基づく検討を行った。 グラフニューラルネットワークとカーネルベースのトランスフォーマーを比較し、現実的な再構築を実現しつつ、操作を回避できることを実証する。 最良のグラフニューラルネットワークモデルでは、ルールベースのアルゴリズムと比較して、ジェット横運動量分解能が最大50%向上している。
  論文  参考訳（メタデータ） (2023-09-13T08:16:15Z)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)
• Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
  近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。 本稿では,ボディセグメンテーションを重要な監視対象として紹介する。 部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
  論文  参考訳（メタデータ） (2020-03-24T14:25:46Z)
• Learning Nonparametric Human Mesh Reconstruction from a Single Image without Ground Truth Meshes [56.27436157101251]
  そこで本研究では,人間のメッシュ再構築を基礎となる真理メッシュを使わずに学習する手法を提案する。 これはグラフ畳み込みニューラルネットワーク(Graph CNN)の損失関数に2つの新しい用語を導入することで実現される。
  論文  参考訳（メタデータ） (2020-02-28T20:30:07Z)

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。