論文の概要: Self-Supervised Calibration of Scientific Instruments Using Physical Consistency Constraints

• arxiv url: http://arxiv.org/abs/2606.29466v1
• Date: Sun, 28 Jun 2026 15:51:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.933259
• Title: Self-Supervised Calibration of Scientific Instruments Using Physical Consistency Constraints
• Title（参考訳）: 物理的制約を用いた科学機器の自己監督校正
• Abstract要約: 本稿では,遅延検出器の校正パラメータとタスク固有の予測を共同で学習する物理インフォームド型自己教師型フレームワークを提案する。 この方法は、既知の物理的制約を利用して擬似ラベルを反復的に生成し、キャリブレーションを自己監督最適化問題に変換する。 これらの結果は、自己校正と自己監視のための一般的なパラダイムを確立している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Calibration remains one of the principal obstacles to the deployment of machine learning in scientific instrumentation because it typically relies on expert intervention, dedicated procedures, and manually labelled data. We introduce a physics-informed self-supervised framework that jointly learns latent detector calibration parameters and task-specific predictions directly from raw measurements without requiring pre-calibrated signals or external labels. The method exploits known physical constraints to generate pseudo-labels iteratively, transforming calibration into a self-supervised optimization problem. The approach is demonstrated for ionic charge-state determination in the VAMOS++ magnetic spectrometer, where the calibration of a segmented ionization chamber and the inference of ionic charge states are learned simultaneously. Starting from a weak prior on the mean ionic charge state, the model progressively refines its predictions through iterative fractional pseudo-labelling driven by the discrete nature of atomic masses. Beyond accurate ionic charge-state reconstruction, the inferred calibration coefficients provide a compact representation of the detector state that enables automated monitoring of gain drifts, pressure variations, and detector aging. The resulting labels can subsequently be transferred to specialized models that quantify detector imperfections and track their spatial and temporal evolution. These results establish a general paradigm for self-calibrating and self-monitoring scientific instruments and represent a step toward intelligent experimental systems capable of autonomous calibration, analysis, and performance optimization.
• Abstract（参考訳）: キャリブレーションは、専門家の介入、専用の手順、手動でラベル付けされたデータに依存するため、科学機器に機械学習を配置する際の主要な障害の1つである。 物理インフォームドな自己教師型フレームワークを導入し、事前に校正された信号や外部ラベルを必要とせず、生計測から直接潜時検出器の校正パラメータとタスク固有の予測を共同で学習する。 この方法は、既知の物理的制約を利用して擬似ラベルを反復的に生成し、キャリブレーションを自己監督最適化問題に変換する。 この手法はVAMOS++磁気分光計におけるイオン電荷状態決定のために実証され、ここではセグメンテッドイオン化チャンバーの校正とイオン電荷状態の推測を同時に学習する。 平均イオン電荷状態の弱い先行状態から始めて、このモデルは原子質量の離散的な性質によって駆動される反復的な分数的な擬ラベリングを通じて、その予測を徐々に洗練する。 正確なイオン電荷状態再構成の他に、推定キャリブレーション係数は検出器状態のコンパクトな表現を提供し、利得ドリフト、圧力変動、検出器老化の自動監視を可能にする。 得られたラベルはその後、検出器の不完全性を定量化し、それらの空間的および時間的進化を追跡する特別なモデルに転送される。 これらの結果は、自己校正と自己監視の科学機器の一般的なパラダイムを確立し、自律的な校正、分析、性能最適化が可能なインテリジェントな実験システムへの一歩を示す。

関連論文リスト

• Robust Quantum Machine Learning for Collider Event Selection under Detector Variability [0.0]
  パラメータ化量子モデルがロバストコライダー-イベント選択に有用な帰納バイアスを与えるかどうかを考察する。 教師なしの研究では、バックグラウンドイベントで訓練された量子オートエンコーダを、異常検出のための古典的および変動的オートエンコーダと比較する。 スミアリングの下では、量子モデルは一般的に出力スコアの小さなシフトを示し、表現力のある古典的ベースラインよりも効果的に識別を維持する。
  論文  参考訳（メタデータ） (2026-08-11T18:29:08Z)
• Provably Efficient Self-Calibrating Quantum Fault Tolerance [3.3230675313521716]
  量子エラー補正は、物理演算がフォールトトレランスしきい値以下である場合にのみ論理情報を保護する。 我々は自己校正型量子フォールトトレランスの理論的枠組みを確立する。 その結果, 自己校正型フォールトトレランスは, 同じシンドローム測定が論理情報を同時に保護し, 基盤となるハードウェアを安定させる, 証明可能なパラダイムとして確立された。
  論文  参考訳（メタデータ） (2026-08-06T07:22:20Z)
• Dynamic Symmetric Point Tracking: Tackling Non-ideal Reference in Analog In-memory Training [46.75046795995564]
  本稿では,SPキャリブレーションのパルス複雑度と推定誤差の最初の理論的特徴について述べる。 本研究では,モデルトレーニング中にSPを追跡する動的SP推定法を提案し,その収束保証を確立する。
  論文  参考訳（メタデータ） (2026-02-24T19:41:34Z)
• SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
  SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。 行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。 我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
  論文  参考訳（メタデータ） (2026-01-06T19:47:11Z)
• Direct estimation of arbitrary observables of an oscillator [32.73124984242397]
  観測可能(OREO)推定のための最適化ルーチンを提案する。 OREOは、任意の振動子オブザーバの期待値をトランモン状態にマッピングし、効率的な単発計測を行う。 我々は, 位相空間とその高次モーメントを効率的に測定する手段として, ボソニックcQEDシステムでOREOを実証する。
  論文  参考訳（メタデータ） (2025-03-13T14:58:21Z)
• Optical aberrations in autonomous driving: Physics-informed parameterized temperature scaling for neural network uncertainty calibration [49.03824084306578]
  本稿では,ニューラルネットワークのキャリブレーションアーキテクチャに物理的帰納バイアスを組み込むことにより,AIターゲットアプリケーションの堅牢性と信頼性を高めることを提案する。 信頼に値する不確実性表現と認識連鎖の総合的検証戦略の道を開く。
  論文  参考訳（メタデータ） (2024-12-18T10:36:46Z)
• Heterogeneous quantization regularizes spiking neural network activity [0.0]
  本稿では、アナログデータを正規化し、スパイク位相表現に量子化する、データブラインドニューロモルフィック信号条件付け戦略を提案する。 我々は、量子化重みの範囲と密度が蓄積された入力統計に適応するデータ認識キャリブレーションステップを追加することで、このメカニズムを拡張した。
  論文  参考訳（メタデータ） (2024-09-27T02:25:44Z)
• Do We Still Need Non-Maximum Suppression? Accurate Confidence Estimates and Implicit Duplication Modeling with IoU-Aware Calibration [6.093524345727119]
  IoUキャリブレーションを用いることで,従来のNMSスタイルのポストプロセッシングを除去できることを示す。 IoU対応キャリブレーションは条件付きベータキャリブレーションである。 実験の結果,提案したIoUキャリブレーションは重複検出のモデル化に成功していることがわかった。
  論文  参考訳（メタデータ） (2023-09-06T15:47:33Z)
• Direct parameter estimations from machine-learning enhanced quantum state tomography [3.459382629188014]
  機械学習による量子状態トモグラフィ(QST)は、量子状態に関する完全な情報を抽出する際の利点を実証している。 我々は,目標パラメータを直接生成することにより,高性能で軽量で容易に教師付き特性モデルを構築する。 このような特性モデルに基づく ML-QST は、ヒルベルト空間を扱う問題を回避することができるが、高い精度で特徴抽出を維持することができる。
  論文  参考訳（メタデータ） (2022-03-30T15:16:02Z)
• Analytical and experimental study of center line miscalibrations in M\o lmer-S\o rensen gates [51.93099889384597]
  モルマー・ソレンセンエンタングゲートの誤校正パラメータの系統的摂動展開について検討した。 我々はゲート進化演算子を計算し、関連する鍵特性を得る。 我々は、捕捉されたイオン量子プロセッサにおける測定値に対して、モデルからの予測をベンチマークすることで検証する。
  論文  参考訳（メタデータ） (2021-12-10T10:56:16Z)
• Parameterized Temperature Scaling for Boosting the Expressive Power in Post-Hoc Uncertainty Calibration [57.568461777747515]
  我々は新しいキャリブレーション手法であるパラメタライズド温度スケーリング(PTS)を導入する。 最新のポストホックキャリブレータの精度保持性能は、その本質的な表現力によって制限されることを実証します。 当社の新しい精度保存手法が,多数のモデルアーキテクチャやデータセット,メトリクスにおいて,既存のアルゴリズムを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2021-02-24T10:18:30Z)
• Unsupervised Calibration under Covariate Shift [92.02278658443166]
  ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。 実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
  論文  参考訳（メタデータ） (2020-06-29T21:50:07Z)
• Automated discovery of a robust interatomic potential for aluminum [4.6028828826414925]
  機械学習(ML)ベースのポテンシャルは、量子力学(QM)計算の忠実なエミュレーションを、計算コストを大幅に削減することを目的としている。 アクティブラーニング(AL)の原理を用いたデータセット構築のための高度に自動化されたアプローチを提案する。 アルミニウム(ANI-Al)のMLポテンシャル構築によるこのアプローチの実証 転写性を示すために、1.3M原子衝撃シミュレーションを行い、非平衡力学から採取した局所原子環境上でのDFT計算とANI-Al予測がよく一致することを示す。
  論文  参考訳（メタデータ） (2020-03-10T19:06:32Z)

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。