論文の概要: Leveraging Industrial Foundation Models at the Edge of Particle Physics Detectors via Distillation Learning and Hardware Co-design

• arxiv url: http://arxiv.org/abs/2609.23385v1
• Date: Sun, 20 Sep 2026 06:10:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.809548
• Title: Leveraging Industrial Foundation Models at the Edge of Particle Physics Detectors via Distillation Learning and Hardware Co-design
• Title（参考訳）: 蒸留学習とハードウェア共設計による粒子物理検出器エッジにおける産業基盤モデルの活用
• Abstract要約: この研究は、粒子物理学DAQのための工業基盤モデルの最初の微調整を提供する。 ドリフトチャンバートラッカーと双対可読量計のリアルタイム回帰タスクの微調整を実演する。 微調整されたTimesFMモデルは学生に蒸留され、FPGA実装と共に設計され、将来の衝突時にこれらのモデルをリアルタイムに動作させることができる。
• 参考スコア（独自算出の注目度）: 5.4578546871731275
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data acquisition (DAQ) systems at future particle physics experiments stand to benefit from the extremes of AI/ML development: large-scale foundation models can enhance the performance of feature extraction algorithms, and small-scale on-detector deployments can enable real-time intelligent data handling. This work provides the first fine-tuning of an industrial foundation model for particle physics DAQ. Starting from the backbone of Google Research's TimesFM (Time Series Foundation Model), we demonstrate fine-tuning on real-time regression tasks for drift chamber trackers and dual-readout calorimeters. Furthermore, the fine-tuned TimesFM model is distilled into a student and co-designed with FPGA implementation to enable these models to run in real-time at future colliders. The fine-tuned distillations meet or exceed the performance of previously published AI/ML solutions for each task. Further, the pipeline of distillation and model compression from TimesFM is generic and can be easily adapted to a variety of 1D waveform tasks across domains.
• Abstract（参考訳）: 大規模ファンデーションモデルは特徴抽出アルゴリズムの性能を高め、小規模のオン・デクター展開はリアルタイムなインテリジェントなデータハンドリングを可能にする。 この研究は、粒子物理学DAQのための工業基盤モデルの最初の微調整を提供する。 Google ResearchのTimeFM(Time Series Foundation Model)のバックボーンから、ドリフトチャンバートラッカーとデュアルリードアウトカロリーメータのリアルタイム回帰タスクの微調整を実演する。 さらに、微調整されたTimesFMモデルは学生に蒸留され、FPGA実装と共に設計され、将来の衝突時にこれらのモデルをリアルタイムに動作させることができる。 微調整された蒸留は、タスク毎のAI/MLソリューションのパフォーマンスを達成または超過する。 さらに、TimesFMからの蒸留とモデル圧縮のパイプラインは汎用的で、ドメイン間の様々な1D波形タスクに容易に適応できる。

関連論文リスト

• A First Full Physics Benchmark for Highly Granular Calorimeter Surrogates [0.0]
  本研究は, 実測シミュレーション応用における高粒度生成熱量サロゲートの利用について検討した。 本稿では, 生成熱量計サロゲートとリアルな検出器の組み合わせを可能にする汎用ライブラリDDMLを紹介する。 1つは正規グリッド表現で動作するもので、もう1つはあまり一般的でないポイントクラウドアプローチを用いている。
  論文  参考訳（メタデータ） (2025-11-21T15:06:49Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Predictive Maintenance Model Based on Anomaly Detection in Induction Motors: A Machine Learning Approach Using Real-Time IoT Data [0.0]
  本研究では,ポンプ,圧縮機,ファン,その他の産業機械で使用される誘導電動機の異常検出システムについて紹介する。 我々は、計算コストの低い前処理技術と機械学習(ML)モデルの組み合わせを用いる。
  論文  参考訳（メタデータ） (2023-10-15T18:43:45Z)
• Improved particle-flow event reconstruction with scalable neural networks for current and future particle detectors [1.4609888393206634]
  電子-陽電子衝突における事象再構成のためのスケーラブルな機械学習モデルについて, フル検出器シミュレーションに基づく検討を行った。 グラフニューラルネットワークとカーネルベースのトランスフォーマーを比較し、現実的な再構築を実現しつつ、操作を回避できることを実証する。 最良のグラフニューラルネットワークモデルでは、ルールベースのアルゴリズムと比較して、ジェット横運動量分解能が最大50%向上している。
  論文  参考訳（メタデータ） (2023-09-13T08:16:15Z)
• MoEfication: Conditional Computation of Transformer Models for Efficient Inference [66.56994436947441]
  トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。 スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。 そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
  論文  参考訳（メタデータ） (2021-10-05T02:14:38Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。