論文の概要: Panda Diplomacy: Foundation Model Pre-training across Particle Imaging Detectors for High Energy and Nuclear Physics

• arxiv url: http://arxiv.org/abs/2609.00611v1
• Date: Tue, 01 Sep 2026 02:56:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.24735
• Title: Panda Diplomacy: Foundation Model Pre-training across Particle Imaging Detectors for High Energy and Nuclear Physics
• Title（参考訳）: パンダ外交:高エネルギー・核物理学のための粒子イメージング検出器を横断する基礎モデル
• Authors: Samuel Young, César Jesús-Valls, Kazuhiro Terao,
• Abstract要約: 点雲自己蒸留フレームワークにより、より一般的なセンサレベルの事前学習レシピが得られることを示す。 3つの定性的に異なる検出器のモジュラリティに対して最小限の変更を伴って、同じ改良されたアーキテクチャと目的を独立に事前訓練できることが示される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models are increasingly being pursued in particle and nuclear physics, but existing approaches remain strongly tied to individual experiments through detector-specific architectures or pre-training objectives, limiting their reuse across sensing modalities. We show that a point cloud self-distillation framework yields a substantially more general sensor-level pre-training recipe. We show that the same refined architecture and objective can be independently pre-trained with minimal changes on three qualitatively different detector modalities: liquid argon time projection chamber (LArTPC), collider TPC, and water Cherenkov. Using 1,000 labeled images for downstream task adaptation, Panda V2 matches or exceeds specialized foundation-model baselines trained with orders of magnitude more supervision, matching state-of-the-art particle-clustering performance with 70x fewer labeled events on sPHENIX while substantially improving particle identification, and on LArTPC data matching Panda (arXiv:2512.01324) particle reconstruction with up to 1,000x fewer labels. Beyond reconstruction, simple linear probes reveal physically meaningful latent structure associated with particle causality and track curvature.
• Abstract（参考訳）: 基礎モデルは、粒子物理学や核物理学においてますます追求されているが、既存のアプローチは検出器固有のアーキテクチャや事前学習の目的を通じて個々の実験に強く結びついており、センシングのモダリティを越えて再利用を制限している。 点雲自己蒸留フレームワークにより、より一般的なセンサレベルの事前学習レシピが得られることを示す。 我々は, 液体アルゴン時間投射室 (LArTPC) , コリダTPC, 水チェレンコフの3つの定性的に異なる検出器に, 最小限の変更を伴って, 同じ改良されたアーキテクチャと目的を独立に事前訓練できることを示した。 ダウンストリームタスク適応のために1,000のラベル付きイメージを使用して、パンダV2は、より監督的な順序で訓練された特別な基礎モデルベースラインにマッチするか、あるいは超えるか、あるいは、1,000倍のラベル付きイベントと、sPHENIX上の70倍のラベル付きイベントと、最大1000倍のラベルを持つパーダ(arXiv:2512.01324)のパーティクル再構成に適合するLArTPCデータを使用する。 再構成の他に、単純な線形プローブは、粒子因果関係と軌道曲率に関連する物理的に意味のある潜在構造を明らかにする。

関連論文リスト

• A Lightweight Foundation Model for Collider Physics with Multi-Domain Adaptation [44.18742604961034]
  我々は,コライダー物理データから事前学習を生かした基礎モデリングへの軽量なアプローチを提案する。 このモデルは大型ハドロン衝突型加速器からの大規模な衝突データセットを監督せずに事前訓練される。 事前学習したモデル重みに基づいて,運動回帰や事象分類などのコライダー解析のための下流タスクを開発した。
  論文  参考訳（メタデータ） (2026-07-29T22:35:13Z)
• WorldParticle: Unified World Simulation of Lagrangian Particle Dynamics via Transformer [107.36949516442782]
  本研究では, 単一トランスアーキテクチャ上に構築された学習型粒子シミュレータを用いて, 布, 弾性体, ニュートン流体, ニュートン流体, 粒状物質, 分子動力学をモデル化する。
  論文  参考訳（メタデータ） (2026-05-14T18:18:12Z)
• 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)
• From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
  Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。 OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。 ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-02-20T18:58:43Z)
• Panda: Self-distillation of Reusable Sensor-level Representations for High Energy Physics [0.0]
  液体時間投影チャンバー(LArTPC)は、粒子相互作用の密度の高い高忠実度3D計測を提供する。 生のラベルなしLArTPCデータから直接、センサレベルの再利用可能な表現を学習するモデルである textbfPanda を導入する。 シミュレーションデータセットでは、Pandaはラベル効率と再構築品質を大幅に改善し、従来の最先端セマンティックセマンティックセグメンテーションモデルに1000$times$より少ないラベルで勝っている。
  論文  参考訳（メタデータ） (2025-12-01T06:28:11Z)
• Interpretable Joint Event-Particle Reconstruction for Neutrino Physics at NOvA with Sparse CNNs and Transformers [124.29621071934693]
  本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。 TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。 このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
  論文  参考訳（メタデータ） (2023-03-10T20:36:23Z)
• Scalable, End-to-End, Deep-Learning-Based Data Reconstruction Chain for Particle Imaging Detectors [0.0]
  本稿では,Lyquid Time Projection Chambers (LArTPCs) のためのエンドツーエンドのMLベースのデータ再構成チェーンを提案する。 これは、何十もの高エネルギーニュートリノ相互作用の既往の積み重ねを扱う最初の実装である。
  論文  参考訳（メタデータ） (2021-02-01T18:10:00Z)

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。