論文の概要: Flexible Spectral-Normalized Neural Gaussian Process for Dynamic Aperture Prediction

• arxiv url: http://arxiv.org/abs/2609.08620v1
• Date: Tue, 08 Sep 2026 11:55:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.641564
• Title: Flexible Spectral-Normalized Neural Gaussian Process for Dynamic Aperture Prediction
• Title（参考訳）: 動的開口予測のためのフレキシブルスペクトル正規化ニューラルガウス過程
• Abstract要約: 本稿では, フレキシブルでヘテロセダスティックなスペクトル正規化ニューラルガウス過程のハイパーパラメータを自動的に調整する経験的ベイズ法を提案する。 本手法が円状粒子加速器の動的開口度を推定する作業に与える影響を実演する。 その結果,提案手法は,最先端手法よりも計算コストの低い競合予測性能とよく校正された不確実性推定を達成できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address the challenge of scalable uncertainty quantification in large-scale scientific applications, where complex state-of-the-art machine learning methods are often computationally infeasible. Our primary contribution is a simple yet effective empirical Bayes method for automatically tuning the hyperparameters of a flexible, heteroscedastic Spectral-normalized Neural Gaussian Process. This approach retains the expressiveness and uncertainty-awareness of semi-Bayesian neural models while significantly reducing the computational burden by integrating hyperparameter learning directly into the training loop. We demonstrate the practical impact of our method on the task of estimating the dynamic aperture in circular particle accelerators, a fundamental problem in high-energy physics colliders and storage rings, using simulation data from the case of the Large Hadron Collider at CERN. Traditional approaches to DA estimation require extensive particle-tracking simulations, which are prohibitively time-consuming and resource-intensive. Our results show that the proposed method achieves competitive predictive performance and well-calibrated uncertainty estimates at much lower computational cost than state-of-the-art approaches. We stress that, beyond this application, the proposed empirical Bayes framework offers a general solution for training heteroscedastic neural models in situations where manual hyperparameter tuning is impractical. Accordingly, we anticipate that this framework can be applied to other domains that encounter comparable computational limitations.
• Abstract（参考訳）: 大規模科学応用におけるスケーラブルな不確実性定量化の課題は、複雑な最先端の機械学習手法がしばしば計算不可能である、という課題に対処する。 我々の主な貢献は、柔軟でヘテロセダスティックなスペクトル正規化ニューラルガウス過程のハイパーパラメータを自動的に調整する、単純で効果的なベイズ法である。 このアプローチは、半ベイズニューラルネットワークの表現性と不確かさを保ちながら、ハイパーパラメータ学習を直接トレーニングループに統合することにより、計算負担を大幅に削減する。 本研究では、CERNの大型ハドロン衝突型加速器(LHC)のシミュレーションデータを用いて、高エネルギー物理衝突器と貯蔵リングの基本的な問題である円粒子加速器の動的開口度を推定する作業に対する本手法の実用的影響を実証する。 従来のDA推定手法では広範囲な粒子追跡シミュレーションが必要であり、これは時間と資源の消費を禁止している。 その結果,提案手法は,最先端手法よりも計算コストの低い競合予測性能とよく校正された不確実性推定を達成できることが示唆された。 この応用を超えて、提案された経験的ベイズフレームワークは、手動のハイパーパラメータチューニングが非現実的な状況において、異方性ニューラルネットワークをトレーニングするための一般的なソリューションを提供する、と強調する。 したがって、このフレームワークは、同等の計算制限に直面する他の領域にも適用できると予想する。

関連論文リスト

• Distributed Quantum Gaussian Processes for Multi-Agent Systems [2.526124003343442]
  量子コンピューティングは、指数関数的に大きなヒルベルト空間にデータを埋め込むことによって制限を克服する可能性を提供する。 モデリング能力と拡張性を高めるため,マルチエージェント環境で分散量子ガウスプロセス(DQGP)を提案する。 我々は、NASAのShuttle Radar Topography MissionとQuantum Gaussian Processesによって生成された合成データセットを実世界の非静止高度データセットとして使用しています。
  論文  参考訳（メタデータ） (2026-02-16T18:46:23Z)
• Interpretable Neural Approximation of Stochastic Reaction Dynamics with Guaranteed Reliability [4.736119820998459]
  我々は,解釈可能性,信頼性保証,実質的な計算ゲインを実現するニューラルネットワークフレームワークであるDeepSKAを紹介する。 DeepSKAは、状態、時間、出力関数にまたがって一般化する数学的に透明な表現を生成し、この構造を少数のシミュレーションと統合し、古典的モンテカルロよりも非バイアスで、確率的に収束し、劇的に低いマグニチュード推定を生成する。
  論文  参考訳（メタデータ） (2025-12-06T04:45:31Z)
• Learning Dynamics from Input-Output Data with Hamiltonian Gaussian Processes [10.748284100326794]
  非保守ハミルトニアンGPを用いた動的学習を考える。 未知の隠れ状態の確率密度を推定するための完全ベイズ的スキームを提供する。 GPの計算複雑性を考慮し、低ランクGP近似を利用する。
  論文  参考訳（メタデータ） (2025-11-07T15:28:08Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Chaos into Order: Neural Framework for Expected Value Estimation of Stochastic Partial Differential Equations [0.9944647907864256]
  線形偏微分方程式(SPDE)の期待値を近似する物理インフォームドニューラルネットワークを提案する。 トレーニング中の時空座標とノイズ実現の両方のランダムサンプリングを活用することで、LECは標準フィードフォワードニューラルネットワークをトレーニングし、複数のサンプル間での残留損失を最小限に抑える。 このモデルでは, より低次元における解の期待値の正確な近似を常に学習し, 空間次元の増加に伴うロバスト性低下を予測可能であることを示す。
  論文  参考訳（メタデータ） (2025-02-05T23:27:28Z)
• Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
  本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。 我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。 提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-10-12T09:12:59Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)
• Benchmarking a novel efficient numerical method for localized 1D Fermi-Hubbard systems on a quantum simulator [0.0]
  量子シミュレータは,多体系の力学に有効であることを示す。 我々は中性原子Fermi-Hubbard量子シミュレータと$L_textexpsimeq290$格子サイトを用いて、その性能をベンチマークする。 我々はスピン不均衡フェルミ・ハッバード系に対するブロッホ振動の相互作用の振舞いの簡単な予測を導出した。
  論文  参考訳（メタデータ） (2021-05-13T16:03:11Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)
• Learning Constrained Dynamics with Gauss Principle adhering Gaussian Processes [7.643999306446022]
  本稿では,解析力学からの洞察とガウス過程の回帰を組み合わせ,モデルのデータ効率と制約整合性を改善することを提案する。 本モデルにより,制約付きシステムのデータから制約なしシステムの加速度を推定できる。
  論文  参考訳（メタデータ） (2020-04-23T15:26:51Z)

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。