論文の概要: Comprehensive reconstruction of collider events with hypergraph representation learning and graph-conditioned diffusion

• arxiv url: http://arxiv.org/abs/2609.18928v1
• Date: Wed, 16 Sep 2026 17:03:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.912536
• Title: Comprehensive reconstruction of collider events with hypergraph representation learning and graph-conditioned diffusion
• Title（参考訳）: ハイパーグラフ表現学習とグラフ条件拡散によるコライダー事象の包括的再構成
• Abstract要約: 物理に着想を得たトポロジを用いたハイパーグラフとしてコライダーイベントを表現した新しい学習フレームワークであるVyPERを提案する。 いくつかの陽子-陽子衝突過程にまたがってVyPERを実演し、その性能を既存の解析的および機械学習に基づく再構成技術と比較した。
• 参考スコア（独自算出の注目度）: 13.252163677216409
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In particle collider experiments, event reconstruction is the task of inferring the kinematics of short-lived particles produced in the hard scatter from the stable final states recorded by detectors. We decompose event reconstruction into two primary tasks: assigning measured jets and charged leptons to parent particles, and predicting unmeasured neutrino kinematics. We present VyPER, a novel geometric learning framework that represents collider events as hypergraphs with a physics-inspired topology. VyPER combines the supervised classification of hyperedges for particle assignment with a diffusion model for predicting neutrino kinematics, leveraging a joint loss function to optimize both reconstruction tasks within a unified framework. We showcase VyPER across several proton-proton collision processes, comparing its performance to existing analytical and machine-learning-based reconstruction techniques. In doing so, we demonstrate that accurate event reconstruction is achievable across a diverse range of Standard Model physics processes, opening new avenues for precision measurements in the Higgs boson, electroweak, and top-quark sectors.
• Abstract（参考訳）: 粒子衝突型加速器実験において、事象再構成は、検出器によって記録された安定な最終状態からハード散乱で生成される短寿命粒子の運動学を推定するタスクである。 事象再構成は, 測定されたジェットと荷電レプトンを親粒子に割り当てることと, 測定されていないニュートリノ運動学を予測することの2つの主要なタスクに分解する。 物理に着想を得たトポロジーを持つハイパーグラフとしてコライダーイベントを表現した新しい幾何学学習フレームワークであるVyPERを提案する。 VyPERは、粒子割り当てのためのハイパーエッジの教師付き分類とニュートリノキネマティクスを予測する拡散モデルを組み合わせる。 いくつかの陽子-陽子衝突過程にまたがってVyPERを実演し、その性能を既存の解析的および機械学習に基づく再構成技術と比較した。 そこで我々は, ヒッグス粒子, エレクトロオーク, トップクォーク領域において, 高精度測定のための新たな道を開くことで, 様々な標準モデル物理プロセスにおいて正確な事象再構成が達成可能であることを実証した。

関連論文リスト

• 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)
• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• End-to-end event reconstruction for precision physics at future colliders [0.39998518782208786]
  将来のコライダー実験では、ヒッグス、エレクトロオーク、観察可能な風味の測定に前例のない精度が必要である。 現在の粒子流アルゴリズムは検出器特有のクラスタリングに依存しており、検出器設計時の柔軟性を制限している。 ここでは、荷電粒子軌道と熱量計とミューオンが直接粒子レベルオブジェクトにぶつかる、エンドツーエンドのグローバルイベント再構成手法を提案する。
  論文  参考訳（メタデータ） (2026-03-04T13:55:04Z)
• Scalable Multi-Task Learning for Particle Collision Event Reconstruction with Heterogeneous Graph Neural Networks [0.0]
  マルチプライオリティは、データ取得段階でレイテンシとストレージ要件を緊張させています。 背景レベルが高く、粒子の誤結合が頻発するなど、新たな合併症が出現している。 本稿では,多様な粒子衝突関係のユニークな表現を特徴とする新しい不均一グラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-04-30T17:53:08Z)
• End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
  本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。 我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
  論文  参考訳（メタデータ） (2023-05-17T17:43:10Z)
• 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)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。