論文の概要: Rethinking Total Absorption Gamma Spectroscopy Deconvolution: Supervised Machine Learning vs Response-Matrix Methods

• arxiv url: http://arxiv.org/abs/2608.00090v1
• Date: Thu, 30 Jul 2026 10:39:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.402765
• Title: Rethinking Total Absorption Gamma Spectroscopy Deconvolution: Supervised Machine Learning vs Response-Matrix Methods
• Title（参考訳）: 総吸収ガンマ分光デコンボリューションの再考:機械学習と応答行列法の比較
• Abstract要約: 本稿では,教師付き機械学習手法と応答行列手法の体系的比較について述べる。 以上の結果から, 個別給餌強度の再現において, 教師付き機械学習技術が優れた精度を達成できることが示唆された。 これらの知見は、最初に応答行列法を用いて初期給餌推定値を得るハイブリッド戦略を支持する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The extraction of $β$-feeding distributions in Total Absorption $γ$-ray Spectroscopy constitutes a challenging inverse problem, particularly in nuclei with complex decay schemes involving a large number of excited states. In such cases, the measured spectrum arises from the superposition of many detector response functions, making the determination of the individual feedings intrinsically ill-posed and highly sensitive to the methodology employed. In this work, we present a systematic comparison between supervised Machine-Learning techniques and Response-Matrix methods using realistic Monte Carlo simulations of an experimental Total Absorption Spectrometer. Supervised Machine-Learning approaches construct a non-parametric estimator that infers level feedings from the measured spectrum after a training stage, whereas Response-Matrix methods determine the feeding distribution by directly minimizing the difference between measured and reconstructed spectra. Our results show that supervised Machine-Learning techniques achieve superior accuracy in the reconstruction of individual feeding intensities, whereas Response-Matrix methods provide robust and physically consistent initial solutions. These findings support a hybrid strategy in which a Response-Matrix method is first used to obtain an initial feeding estimate, which is then refined using a supervised Machine-Learning approach to achieve improved overall accuracy.
• Abstract（参考訳）: 総吸収度$γ$-ray分光における$β$-feeding分布の抽出は、特に多くの励起状態を含む複雑な崩壊スキームを持つ核において、難しい逆問題を構成する。 このような場合、測定されたスペクトルは、多くの検出器応答関数の重ね合わせから生じ、個々の摂食が本質的に不適切であり、用いられる手法に非常に敏感である。 本研究では, モンテカルロシミュレーションによる教師付き機械学習手法と応答行列法との系統的比較を行った。 Supervised Machine-Learning Approachは、トレーニング段階の後に測定したスペクトルからレベルフィードを推定する非パラメトリック推定器を構築する一方、Responsive-Matrix法は、測定されたスペクトルと再構成されたスペクトルの差を直接最小化し、供給分布を決定する。 その結果, 教師付き機械学習技術は, 個々の摂食強度を再現する上で, 応答行列法は頑健で物理的に一貫した初期解を提供するのに対し, 精度が優れていることがわかった。 これらの知見は、最初に応答行列法を用いて初期給餌推定値を得るハイブリッド戦略をサポートし、その後、教師付き機械学習手法を用いて洗練され、全体的な精度が向上する。

関連論文リスト

• 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)
• Breaking the Modality Barrier: Generative Modeling for Accurate Molecule Retrieval from Mass Spectra [60.08608779794957]
  本稿では,ジェネレーティブ言語モデルに基づく検索フレームワークであるGLMRを提案する。 検索前の段階では、比較学習に基づくモデルでは、上位候補分子を入力質量スペクトルの文脈的先行として識別する。 生成検索段階において、これらの候補分子は入力質量スペクトルと統合され、精製された分子構造を生成するための生成モデルが導かれる。
  論文  参考訳（メタデータ） (2025-11-09T07:25:53Z)
• Amortized Sampling with Transferable Normalizing Flows [65.48838168417564]
  プロス(英: Prose)は、ペプチド分子動力学のコーパスで訓練された、最大8個の残基の移動可能な正規化フローである。 本稿では, Prose が様々なサンプリングアルゴリズムの提案であることを示す。 我々はProseデータセットをオープンソース化し、償却されたサンプリング手法と微調整目的の研究をさらに促進する。
  論文  参考訳（メタデータ） (2025-08-25T16:28:18Z)
• A Self-supervised Learning Method for Raman Spectroscopy based on Masked Autoencoders [3.9517125314802306]
  SMAE と呼ばれる Masked AutoEncoder に基づくラマン分光の自己教師型学習パラダイムを提案する。 SMAEは、事前トレーニング中にスペクトルアノテーションを必要としない。ランダムなマスキングを行い、スペクトル情報を再構成することにより、本質的なスペクトル特徴を学習する。
  論文  参考訳（メタデータ） (2025-04-21T10:44:06Z)
• Stochastic gradient descent estimation of generalized matrix factorization models with application to single-cell RNA sequencing data [39.146761527401424]
  単細胞RNAシークエンシングは、個々の細胞レベルでの遺伝子発現の定量化を可能にする。 次元の減少は、サンプルの可視化、クラスタリング、表現型特徴付けに不可欠な一般的な前処理ステップである。 一般指数分散族分布を仮定した一般化行列分解モデルを提案する。 提案手法は, 数百万セルにシームレスに拡張可能であることを示し, 大規模単一セルデータセットの次元性低減を実現する。
  論文  参考訳（メタデータ） (2024-12-29T16:02:15Z)
• Estimating the Spectral Moments of the Kernel Integral Operator from Finite Sample Matrices [16.331196225467707]
  本稿では,カーネル積分作用素のスペクトルモーメントを無限入力と特徴の極限で非バイアスで推定するアルゴリズムを提案する。 動的プログラミングに基づく本手法は,演算子スペクトルのモーメントを推定できる。
  論文  参考訳（メタデータ） (2024-10-23T16:12:59Z)
• deep-REMAP: Parameterization of Stellar Spectra Using Regularized Multi-Task Learning [0.0]
  確率的推論のための非対称損失をもつ深層正規化アンサンブルに基づくマルチタスク学習(rmdeep-REMAP$) 我々は、PHOENIXライブラリからのリッチな合成スペクトルと、MARVELSサーベイからの観測データを利用して、恒星の大気パラメータを正確に予測する新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2023-11-07T05:41:48Z)
• Simulating optical linear absorption for mesoscale molecular aggregates: an adaptive hierarchy of pure states approach [0.0]
  DadHOPS (Dyadic Adaptive HOPS) と呼ばれる大型分子集合体に対する線形吸収スペクトルの計算法を提案する。 この手法は、局所性を用いて計算スケーリングを改善する適応型HOPSフレームワークと、線形および非線形分光信号を計算するために以前に開発された線量HOPS手法を組み合わせたものである。
  論文  参考訳（メタデータ） (2023-01-09T23:26:25Z)
• Spectral Decomposition Representation for Reinforcement Learning [100.0424588013549]
  本稿では, スペクトル分解表現法(SPEDER)を提案する。この手法は, データ収集ポリシーに急激な依存を生じさせることなく, ダイナミックスから状態-作用の抽象化を抽出する。 理論的解析により、オンライン設定とオフライン設定の両方において提案アルゴリズムのサンプル効率が確立される。 実験により、いくつかのベンチマークで現在の最先端アルゴリズムよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-08-19T19:01:30Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)
• Gaussian Process Regression for Absorption Spectra Analysis of Molecular Dimers [68.8204255655161]
  本稿では、ガウス過程回帰(GPR)から数値計算のパラメータを選択する機械学習技術に基づくアプローチについて議論する。 このアプローチは最適パラメータ集合に素早く収束するだけでなく、完全なパラメータ空間に関する情報を提供する。 実際、GPRは量子化学法を用いてこれらのパラメータの直接計算と一致した信頼性の高い結果を与える。
  論文  参考訳（メタデータ） (2021-12-14T17:46:45Z)
• A probabilistic deep learning approach to automate the interpretation of multi-phase diffraction spectra [4.240899165468488]
  シミュレーション回折スペクトルで訓練されたアンサンブル畳み込みニューラルネットワークを開発し、複素多相混合を同定する。 シミュレーションおよび実験的に測定された回折スペクトルをベンチマークし, これまでに報告した手法よりも精度が優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-30T20:13:01Z)

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。