論文の概要: Learning to Resolve Neutron Resonances with Fully Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2608.04027v1
- Date: Mon, 27 Jul 2026 18:43:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 17:51:08.556345
- Title: Learning to Resolve Neutron Resonances with Fully Convolutional Neural Networks
- Title（参考訳）: 完全畳み込みニューラルネットワークによる中性子共鳴の解法
- Authors: Nataly R. Panczyk, Athanasios Stamatopoulos, Josef Svoboda, Majdi I. Radaideh,
- Abstract要約: 本研究は、透過スペクトル中の中性子共鳴を自動的に検出する堅牢な機械学習フレームワークにより、従来のR-マトリックス符号を拡張可能であることを検討する。
我々は、完全な畳み込みニューラルネットワークを用いて、7つの透過スペクトルにおいて、共鳴領域または非共鳴領域に属する個々の点を分類する。
追加のトレーニングデータを含むにもかかわらず、従来は見つからなかった同位体に確実に一般化しないことが判明した。
- 参考スコア（独自算出の注目度）: 0.1259953341639576
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This work investigates the feasibility of augmenting traditional R-Matrix codes with a robust machine learning framework for automatically detecting neutron resonances in transmission spectra. Neutron transmission data are often complex and noisy, making them difficult to analyze using traditional peak-identification methods. The state-of-the-art R-Matrix codes currently used by physicists to fit these data often depend on prior evaluations and require substantial manual effort. This preliminary study demonstrates a method for accelerating the post-experimental processing of neutron transmission data and reducing bias associated with dependence on prior evaluations. We employ a fully convolutional neural network to classify individual points as belonging to resonance or non-resonance regions in seven transmission spectra---two evaluated and five experimental. Although the model achieves classification accuracies in the range of 93\%, further analysis shows that this metric overstates its ability to generalize. Building on our prior analysis in PHYSOR 2026, we find that, despite the inclusion of additional training data, the method does not generalize reliably to previously unseen isotopes. To address these limitations, future work should evaluate whether a larger and more diverse training dataset can produce a generalizable model and should incorporate known physical characteristics of neutron resonances to improve model performance.
- Abstract（参考訳）: 本研究は、透過スペクトル中の中性子共鳴を自動的に検出する堅牢な機械学習フレームワークにより、従来のR-マトリックス符号を拡張可能であることを検討する。
中性子透過データは複雑でノイズが多いため、従来のピーク同定法では分析が困難である。
現在、物理学者がこれらのデータに適合するために使用している最先端のR-マトリックス符号は、しばしば以前の評価に依存し、かなりの手作業を必要とする。
本研究は, 中性子送信データの実験後処理を高速化し, 先行評価に係わるバイアスを低減する方法を示す。
我々は、完全な畳み込みニューラルネットワークを用いて、7つの伝送スペクトルにおいて共鳴領域または非共鳴領域に属する個々の点を分類し、2つの評価と5つの実験を行った。
このモデルは 93 % の範囲で分類精度を達成するが、さらなる分析により、この計量が一般化する能力を誇張していることがわかる。
PHYSOR 2026の以前の分析に基づいて、追加のトレーニングデータを含むにもかかわらず、この手法は以前に見つからなかった同位体を確実に一般化しないことがわかった。
これらの制限に対処するためには、より大規模で多様なトレーニングデータセットが一般化可能なモデルを作成することができるかどうかを評価するとともに、中性子共鳴の既知の物理的特性を取り入れてモデル性能を向上させる必要がある。
関連論文リスト
- Predicting the Neutrino Mass Ordering Using Neural Networks [0.0]
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。
論文 参考訳（メタデータ） (2026-06-02T15:00:02Z) - 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) - Data-driven Synthesis of Magnetic Resonance Spectroscopy Data using a Variational Autoencoder [1.7789378551794652]
本研究では,単ボクセル分光データのみに特化して訓練された可変オートエンコーダ(VAE)を用いて,生体内MRSデータを合成するためのデータ駆動フレームワークを提案する。
VAEは複素数値スペクトルの低次元潜在表現を学習し、潜在空間サンプリングと合成により新しいサンプルを生成することができる。
その結果,VOEは主成分パターンを正確に再構成し,生体内データと同じ特徴空間を占める合成スペクトルを生成することがわかった。
論文 参考訳（メタデータ） (2026-02-28T16:52:16Z) - Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。
エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。
高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
論文 参考訳（メタデータ） (2025-01-07T12:29:32Z) - Sim-to-real supervised domain adaptation for radioisotope identification [0.061173711613792085]
機械学習は、ガンマ分光法を用いて放射性同位体識別の速度と信頼性を向上させる可能性がある。
しかし、訓練のための実験データセットを慎重にラベル付けすることは、しばしば違法に高価である。
教師付き領域適応は,ラジオアイソトープ識別モデルの性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2024-12-10T00:21:00Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - 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) - 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) - Spatio-temporally separable non-linear latent factor learning: an
application to somatomotor cortex fMRI data [0.0]
潜在因子の脳全体の発見が可能なfMRIデータのモデルについて検討する。
空間重み付けを効率化するための新しい手法は、データの高次元性とノイズの存在に対処するために重要である。
本手法は,複数のモーターサブタスクを用いたデータを用いて,モデルが各サブタスクに対応する非絡み合った潜在因子を捕捉するかどうかを評価する。
論文 参考訳（メタデータ） (2022-05-26T21:30:22Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
クープマン理論に関連する新しい物理学に基づく手法が導入された。
本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。
このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
論文 参考訳（メタデータ） (2020-03-04T18:24:30Z)
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。