論文の概要: Fast BIB simulation at a future Muon Collider with generative machine learning

• arxiv url: http://arxiv.org/abs/2609.12054v1
• Date: Thu, 10 Sep 2026 18:00:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.498449
• Title: Fast BIB simulation at a future Muon Collider with generative machine learning
• Title（参考訳）: 生成機械学習を用いた将来のMuon Colliderにおける高速BIBシミュレーション
• Abstract要約: ムオン崩壊生成物からのビーム誘起背景(BIB)は、将来のムオン衝突型加速器において圧倒的かつ避けられない背景となる。 現在、BIBシミュレーションは計算に限られている。 トラッキング検出器における高速なBIB生成のための機械学習モデルを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Beam-induced background (BIB) from muon decay products will be an overwhelming and unavoidable background at a future Muon Collider. In order to develop robust event reconstruction algorithms, we need large amounts of accurate BIB simulation to test on. BIB simulation is currently compute-limited: the simulated sample presently used for BIB overlay, which statistically represents approximately $10\%$ of a single unique event's worth of simulated BIB, requires on the order of $10^6$ HS23$\cdot$hours to generate and occupies approximately $100$ GB on disk. In this work, we develop the first machine learning models for fast BIB generation in tracking detectors. We consider two classes of architectures: a slower but higher-fidelity tabular diffusion model, and a faster but lower fidelity circular spline flow model. We find that both classes of architectures produce BIB hits and tracks that closely resemble those of available full simulation hits and tracks, and that the machine learning models can produce BIB in over an order of magnitude less time than what is needed to produce full simulation BIB. We release the model weights with the paper so that the Muon Collider community can use these fast BIB hits for future R&D.
• Abstract（参考訳）: ムオン崩壊生成物からのビーム誘起背景(BIB)は、将来のムオン衝突型加速器において圧倒的かつ避けられない背景となる。 堅牢なイベント再構成アルゴリズムを開発するためには,テストを行うために大量の正確なBIBシミュレーションが必要である。 BIBシミュレーションは現在計算に限られており、BIBオーバーレイで現在使われているシミュレーションサンプルは、BIBの1つのユニークなイベントのシミュレーション値の約10\%を統計的に表すものであり、ディスク上の約100$ GBを生成するのに10^6$ HS23$\cdot$hoursのオーダーを必要とする。 本研究では,検出器の高速なBIB生成のための機械学習モデルを開発した。 より遅いが高忠実な表層拡散モデルとより速いが低忠実な円形スプラインフローモデルという2種類のアーキテクチャを考察する。 いずれのクラスも、利用可能な完全なシミュレーションヒットやトラックとよく似たBIBヒットやトラックを生成しており、機械学習モデルは、完全なシミュレーションBIBを生成するために必要なものよりも、桁違いに少ない時間でBIBを生成できる。 このモデルウェイトを論文でリリースし、Muon Colliderコミュニティがこれらの高速なBIBヒットを将来の研究開発に活用できるようにします。

関連論文リスト

• UniLab: A Heterogeneous Architecture for Robot RL Beyond GPU-Dominant Paradigms [68.40808444348735]
  シミュレーション支配型ロボット制御では、どのプロセッサが物理を実行するかではなく、シミュレーションスループット、ポリシー学習、実行時同期が効率的なエンドツーエンドループを形成するかどうかが重要な問題である。 データ移動、バッファリング、同期のための統一ランタイムを通じて、GPUポリシー更新からCPU並列シミュレーションを分離する、異種CPU常駐/GPU学習アーキテクチャであるUniLabを提案する。
  論文  参考訳（メタデータ） (2026-05-28T17:53:50Z)
• Transfer Learning Across Fast- and Full-Simulation Domains in High-Energy Physics [10.078675569996992]
  本研究では,現実的な環境下での高速・完全シミュレーションデータセット間の伝達学習を体系的に研究する。 本稿では, 信号背景分類, クォークグルーオンジェットタグ付け, 横方向エネルギー再構成の3つの課題について考察する。 モデルはATLASライクな高速シミュレーションで事前訓練され、CMSライクな高速シミュレーションに適応し、完全なATLASオープンデータに適応する。
  論文  参考訳（メタデータ） (2026-05-08T09:18:34Z)
• ColliderML: The First Release of an OpenDataDetector High-Luminosity Physics Benchmark Dataset [0.0]
  ColliderMLは、高速ハドロン衝突条件下での完全にシミュレートされ、デジタル化された陽子-陽子衝突のデータセットである。 10のStandard ModelおよびBeyond Standard Modelプロセスに100万のイベントと、広範な単一粒子サンプルを提供する。 このリリースは、MLフレンドリーなHugging Faceプラットフォームで提供される、検出器レベルのデータに関する機械学習(ML)研究の大きなギャップを埋めるものだ。
  論文  参考訳（メタデータ） (2025-12-17T09:30:44Z)
• Isaac Lab: A GPU-Accelerated Simulation Framework for Multi-Modal Robot Learning [72.43357471969564]
  Isaac Labは、高忠実度GPU並列物理、レンダリング、および環境の設計とロボットポリシーのトレーニングのためのモジュラーで構成可能なアーキテクチャを組み合わせる。 我々は、全身制御、クロス・エボディメント・モビリティ、接触豊かで器用な操作、スキル獲得のための人間のデモの統合など、さまざまな課題へのその応用を強調した。 アイザック・ラボの高度なシミュレーション能力、リッチセンシング、データセンターのスケール実行の組み合わせは、ロボット研究における次世代のブレークスルーを解き放つのに役立つと信じています。
  論文  参考訳（メタデータ） (2025-11-06T21:43:02Z)
• $\ exttt{SPECS}$: Faster Test-Time Scaling through Speculative Drafts [55.231201692232894]
  $textttSPECS$は、投機的デコードにインスパイアされた遅延対応のテスト時間スケーリングメソッドである。 我々の結果は、$textttSPECS$matchはビームサーチの精度を上回り、最大$sim$19.1%のレイテンシを削減していることを示している。
  論文  参考訳（メタデータ） (2025-06-15T05:50:05Z)
• Multilevel neural simulation-based inference [7.908540465717305]
  本稿では,様々なコストと忠実度を持つシミュレータが利用可能な設定に,マルチレベルモンテカルロ手法を活用するニューラルSBIの新たなアプローチを提案する。 計算予算が固定された場合のSBI手法の精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2025-06-06T13:47:09Z)
• sbi reloaded: a toolkit for simulation-based inference workflows [15.696312591547283]
  我々は、ニューラルネットワークに基づくベイズSBIアルゴリズムを実装したPyTorchベースのパッケージであるsbiを開発し、保守し、拡張した。 sbiツールキットは、科学者やエンジニアが最先端のSBIメソッドをブラックボックスシミュレータに適用することを可能にする。
  論文  参考訳（メタデータ） (2024-11-26T11:31:47Z)
• Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [71.04084063541777]
  ランク付けのためのカウンターファクトラーニングはIRコミュニティで広く注目を集めている。 モデルは、ユーザの振る舞いの仮定が正しく、確率推定が正確であるときに理論的に非バイアス化される。 それらの有効性は通常シミュレーションベースの実験を通じて実証的に評価されるが、これは広く利用可能な大規模で実際のクリックログが不足しているためである。
  論文  参考訳（メタデータ） (2024-04-04T10:54:38Z)
• Generative Models for Simulation of KamLAND-Zen [0.0]
  ニュートリノのない二重ベータ崩壊(0nubetabeta)の探索はニュートリノの性質に関する深い疑問に答える。 発見を主張するには、0nubetabetaを模倣する検出器イベントの正確かつ効率的なシミュレーションが重要である。 伝統的なモンテカルロシミュレーションは機械学習に基づく生成モデルによって補うことができる。
  論文  参考訳（メタデータ） (2023-12-22T01:47:16Z)
• Lamarr: LHCb ultra-fast simulation based on machine learning models deployed within Gauss [0.0]
  LHCb実験における検出器応答と再構成アルゴリズムの両方をパラメータ化するシミュレーション生成を高速化するフレームワークであるLamarrについて論じる。 複数のアルゴリズムと戦略を駆使した深部生成モデルを用いて、LHCb検出器の単一成分の高レベル応答を効果的にパラメータ化する。
  論文  参考訳（メタデータ） (2023-03-20T20:18:04Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)

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。