論文の概要: Fast and Precise Learned Charged-Particle Trajectory Regression at the Large Hadron Collider

• arxiv url: http://arxiv.org/abs/2609.32479v1
• Date: Sat, 26 Sep 2026 11:17:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 08:45:53.745472
• Title: Fast and Precise Learned Charged-Particle Trajectory Regression at the Large Hadron Collider
• Title（参考訳）: 大型ハドロン衝突機における荷電粒子軌道回帰の高速・高精度学習
• Abstract要約: 本稿では,高エネルギー物理検出器データに対する荷電粒子軌道パラメータ回帰をシーケンスモデリングタスクとして扱うトレーニングレシピを提案する。 双方向ゲート型リニアリカレントエンコーダを用いて,従来のトラックフィッティング手法の完全精度を再現できることを実証した。
• 参考スコア（独自算出の注目度）: 0.15866579620505186
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a training recipe that treats charged-particle trajectory parameter regression on high-energy physics detector data as a sequence-modeling task. Kalman filters and linearized least-squares fits have been the classical standard approach for this task: they are optimal estimators for sparsely sampled linear-Gaussian data and are commonly used for trajectory parameter regression (fitting). The classical fitting techniques implemented for this domain reach a final precision of one part in $10^5$ through detailed modeling of detector geometry, material, detection effects and precise numerical integration of the equations of motion through the detector's inhomogeneous magnetic field. With this study, we demonstrate that using a bidirectional gated linear recurrent encoder, one is able to reproduce the full precision of classical track fitting techniques. Using a custom kernel, we also achieve significantly higher throughput during GPU inference, compared to classical fitting software running on similarly priced multi-core CPU servers representing typically employed hardware. Such a speedup would lead to considerable cost savings for the pattern recognition at the Large Hadron Collider. To our knowledge, this is the first end-to-end learned track fit to reach the full precision and, at the same time, offer the opportunity to reduce the computing costs.
• Abstract（参考訳）: 本稿では,高エネルギー物理検出器データに対する荷電粒子軌道パラメータ回帰をシーケンスモデリングタスクとして扱うトレーニングレシピを提案する。 カルマンフィルタと線形化最小二乗方程式はこのタスクの古典的な標準的アプローチであり、これらはスパースサンプリングされたリニア・ガウスデータの最適推定器であり、軌道パラメータ回帰(適合)に一般的に用いられる。 この領域で実装された古典的なフィッティング技術は、検出器幾何学、材料、検出効果、および検出器の不均一磁場による運動方程式の正確な数値積分の詳細なモデリングを通じて、10^5$の1部の最終的な精度に達する。 本研究では、双方向ゲート型線形リカレントエンコーダを用いて、従来のトラックフィッティング技術の全精度を再現できることを実証する。 カスタムカーネルを使用することで、GPU推論時のスループットも大幅に向上します。 このようなスピードアップは、大型ハドロン衝突型加速器におけるパターン認識の大幅なコスト削減につながるだろう。 私たちの知る限り、これは完全な精度に達するための最初のエンドツーエンドの学習トラックであり、同時に、コンピューティングコストを削減する機会を提供する。

関連論文リスト

• Fine-tuning machine-learned particle-flow reconstruction for new detector geometries in future colliders [1.988691274281547]
  本研究では,高エネルギー粒子衝突装置における粒子流再構成を訓練した機械学習アルゴリズムにおいて,伝達学習能力を実証する。 我々の知る限り、これは粒子-流れ再構成のための完全なクロス・ディテクター・トランスファー学習研究としては初めてのものである。
  論文  参考訳（メタデータ） (2025-02-28T19:16:01Z)
• 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)
• Winner-Take-All Column Row Sampling for Memory Efficient Adaptation of Language Model [89.8764435351222]
  分散を低減した行列生成のために, WTA-CRS と呼ばれる新しい非バイアス推定系を提案する。 我々の研究は、チューニング変換器の文脈において、提案した推定器が既存のものよりも低い分散を示すという理論的および実験的証拠を提供する。
  論文  参考訳（メタデータ） (2023-05-24T15:52:08Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)
• Learning to Optimize Non-Rigid Tracking [54.94145312763044]
  我々は、堅牢性を改善し、解法収束を高速化するために学習可能な最適化を採用する。 まず、CNNを通じてエンドツーエンドに学習された深い特徴にアライメントデータ項を統合することにより、追跡対象をアップグレードする。 次に,プレコンディショニング手法と学習手法のギャップを,プレコンディショナを生成するためにトレーニングされたConditionNetを導入することで埋める。
  論文  参考訳（メタデータ） (2020-03-27T04:40:57Z)

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。