論文の概要: Prompting Particle Physics: Tokenized Multi-modal Foundation Models for Combinatorially Many Tasks

• arxiv url: http://arxiv.org/abs/2609.31862v1
• Date: Fri, 25 Sep 2026 18:07:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 05:14:45.054561
• Title: Prompting Particle Physics: Tokenized Multi-modal Foundation Models for Combinatorially Many Tasks
• Title（参考訳）: 素粒子物理のプロンプティング:コンビニエントなタスクのためのTokenized Multi-modal Foundation Model
• Abstract要約: コライダー実験における再構成とシミュレーションは、それぞれが単一のステップに調整された特別なアルゴリズムの長い連鎖である。 チェーンを解釈可能な中間オブジェクトを生成しながら、1つのモデルがこれらのステップの多くを一度に果たす方法について検討する。 私たちは1つの共有トークン語彙でジェット内のすべてのオブジェクトを表現し、これらのモダリティのサブセットを他のどのモデルにもマッピングするように1つのモデルを訓練します。
• 参考スコア（独自算出の注目度）: 1.6595676800022312
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstruction and simulation at a collider experiment are long chains of specialised algorithms, each tuned to a single step. We explore how one model can serve many of those steps at once, while still producing the intermediate objects (tracks, calorimeter cells, clusters, particles and jets) that make the chain interpretable. To do so, we represent every object in a jet in a single shared token vocabulary and train one model to map any subset of these modalities to any other. A task is then only a choice of which modalities to provide and which to request: particle flow, detector simulation and charged energy subtraction are all directions through the same set of weights. We train over all modality combinations, with a decoder emitting tokens either autoregressively or in parallel. With tokenisation, both architectures train stably with little tuning. In evaluations, both models produce realistic reconstruction and simulation objects, with the autoregressive model particularly faithful to output from Geant4. The autoregressive model also outperforms a state-of-the-art particle flow algorithm on many typical jet reconstruction metrics.
• Abstract（参考訳）: コライダー実験における再構成とシミュレーションは、それぞれが単一のステップに調整された特別なアルゴリズムの長い連鎖である。 チェーンを解釈可能な中間物質(トラック、カロリーセル、クラスター、粒子、ジェット)を生産しながら、ひとつのモデルがこれらのステップの多くに一度にどのように機能するかを探索する。 そのため、1つの共有トークン語彙でジェット中のすべてのオブジェクトを表現し、1つのモデルをトレーニングして、これらのモダリティの任意のサブセットを他のどのモデルにもマッピングする。 粒子流、検出器シミュレーション、荷電エネルギーサブトラクションは、同じ重みの集合を通して全ての方向にある。 すべてのモダリティの組み合わせをトレーニングし、デコーダがトークンを自動回帰または並列に出力します。 トークン化では、両方のアーキテクチャは、ほとんどチューニングせずに安定してトレーニングする。 評価では、両方のモデルが現実的な再構成とシミュレーションオブジェクトを生成し、自動回帰モデルは特にGeant4からの出力に忠実である。 自己回帰モデルは、多くの典型的なジェット再構成測定値において、最先端の粒子フローアルゴリズムよりも優れている。

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)
• Normalizing Trajectory Models [36.48526680200944]
  正規化軌道モデル(NTM)を導入する NTMは、それぞれの逆ステップを、正確な確度トレーニングを伴う表現的条件正規化フローとしてモデル化する。 テキスト・ツー・イメージのベンチマークでは、NTMは4つのサンプリングステップで強力な画像生成ベースラインにマッチする。
  論文  参考訳（メタデータ） (2026-05-08T17:57:14Z)
• 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)
• Promises and Pitfalls of Generative Masked Language Modeling: Theoretical Framework and Practical Guidelines [74.42485647685272]
  GMLM(Generative Masked Language Models)に焦点を当てる。 我々は,マルコフ連鎖の入力として使用されるマスキングにより,データ分布の条件付き確率に適合するモデルを訓練し,モデルからサンプルを抽出する。 我々は,T5モデルを並列デコーディングに適応させ,最小品質の犠牲を伴って機械翻訳における2～3倍の高速化を実現した。
  論文  参考訳（メタデータ） (2024-07-22T18:00:00Z)
• PARSAC: Accelerating Robust Multi-Model Fitting with Parallel Sample Consensus [26.366299016589256]
  雑音データから幾何モデルの複数事例を頑健に推定するリアルタイム手法を提案する。 ニューラルネットワークは、入力データを潜在的モデルインスタンスを表すクラスタに分割する。 我々は、画像当たり5ミリ秒の推論時間を持つ複数の確立されたデータセットと同様に、これらに対して最先端のパフォーマンスを実証する。
  論文  参考訳（メタデータ） (2024-01-26T14:54:56Z)
• A Complete Recipe for Bayesian Knowledge Transfer: Object Tracking [3.60953887026184]
  対象がモデルを選択し、従うことができるモデルジャンプを考慮に入れた、新しいベイズモデルを導入する。 我々は,対象オブジェクトへの逐次転送中に,対象オブジェクトの軌跡を追跡することを目的としている。
  論文  参考訳（メタデータ） (2022-10-20T00:11:36Z)
• Flow Network based Generative Models for Non-Iterative Diverse Candidate Generation [110.09855163856326]
  本稿では,アクションのシーケンスからオブジェクトを生成するためのポリシーを学習する問題について述べる。 本稿では,生成過程をフローネットワークとして見たGFlowNetを提案する。 提案した目的の任意のグローバルな最小限が、所望の分布から標本化する方針を導出することを証明する。
  論文  参考訳（メタデータ） (2021-06-08T14:21:10Z)

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。