論文の概要: STAR-XPC: Set Transformer for Estimating X-ray Transmission in Polymer Composites
- arxiv url: http://arxiv.org/abs/2610.28709v1
- Date: Tue, 20 Oct 2026 16:39:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 09:50:43.209279
- Title: STAR-XPC: Set Transformer for Estimating X-ray Transmission in Polymer Composites
- Title（参考訳）: STAR-XPC:高分子複合材料のX線透過率推定用セット変圧器
- Abstract要約: 本稿では, 分子成分の無秩序な多重集合, 質量分数, 4つのバルク物理ディスクリプタを直接透過率にマッピングするニューラルネットワークモデルを提案する。
我々のモデルはモンテカルロシミュレーションよりも数桁高速である。
- 参考スコア（独自算出の注目度）: 0.12234742322758417
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Evaluating the energy transmission ratio of an X-ray beam through a polymer composite is a challenging task in radiation shielding studies. The reference solution with Monte Carlo transport simulation is highly accurate but computationally expensive: each of our reference simulations is capped at $4\times10^9$ photon histories and a 20,000 s (over 5 hours) time limit, while closed-form analytical methods fail to represent such complex scenarios. We present an artificial neural network model that maps the unordered multi-set of molecular constituents, their mass fractions, and four bulk physical descriptors directly to the transmission ratio $I(t)/I_0$ in 1-3 milliseconds. The model is a Set Transformer, which makes it permutation invariant by construction and accepts mixtures of different sizes up to 11 constituents within a fixed-size padded set. Each constituent is embedded with a chemistry-pretrained transformer language model, ChemBERTa. In our proposed method, training data are produced by an automated PENELOPE/penEasy pipeline using the radiation source at 30, 80, 100, and 120 kV tube voltages over polyethylene-based shielding composite slabs of thicknesses spanning 0.15-2.5 mm. After preprocessing, the dataset contains $n = 4697$ simulated configurations on which a leakage-free, jointly stratified 10-fold cross-validation is performed, attaining mean squared error MSE = $(1.12 \pm 0.56)\times10^{-4}$, normalized-MSE percentage NMSE% = 0.0294% $\pm$ 0.0147%, and $R^2 = 0.9988$. The corresponding per-sample percentage errors give an alpha-trimmed ($α= 0.10$) absolute percentage error (APE) of 1.66% and a median APE of 1.15%. Our model's inference is several orders of magnitude faster than the underlying Monte Carlo simulation (sub-millisecond per query vs. several hours for the reference run) with effective accuracy in predicting $I(t)/I_0$.
- Abstract（参考訳）: 高分子複合材料のX線透過率を評価することは放射線遮蔽研究において難しい課題である。
モンテカルロの輸送シミュレーションによる参照解は非常に正確だが計算コストがかかる:我々の参照シミュレーションは、それぞれ4\times10^9$ Photonヒストリーと20,000 s (5時間以上)の時間制限でカプセル化されているが、クローズドフォーム解析法はそのような複雑なシナリオを表現できない。
1-3ミリ秒の伝送比$I(t)/I_0$に直接、無秩序な分子成分、その質量分数、および4つのバルク物理記述子をマッピングする人工ニューラルネットワークモデルを提案する。
このモデルはSet Transformerであり、構成によって変分を不変にし、固定サイズのパッドセット内の最大11個の構成成分の混合を受け入れる。
それぞれの構成成分には、化学に制限されたトランスフォーマー言語モデルであるChemBERTaが組み込まれている。
提案手法では, PENELOPE/penEasyパイプラインを30, 80, 100, 120kVの照射源とし, 厚さ0.15～2.5mmのポリエチレン系遮蔽複合スラブ上に120kVの管電圧を印加した。
事前処理後、データセットは、平均二乗誤差 MSE = $(1.12 \pm 0.56)\times10^{-4}$、正規化MSEパーセント NMSE% = 0.0294% $\pm$ 0.0147%、および$R^2 = 0.9988$ となる、漏洩のない、共同成層10倍のクロスバリデーションを行うような、4697$のシミュレート構成を含む。
サンプルごとのパーセンテージエラーは、アルファトリミング(α= 0.10$)絶対パーセンテージエラー(APE)が1.66%、中央APEが1.15%となる。
我々のモデルはモンテカルロシミュレーション(クエリ毎のサブミリ秒対参照実行時間)よりも数桁高速で、効率的な精度で$I(t)/I_0$を予測できる。
関連論文リスト
- $σ$Transfer: Uncertainty Transfer from Small to Large Networks under $μ\mathrm{P}$ [61.96648353048054]
ラプラス近似において信頼性の高い予測不確実性を選択する新しい方法を示す。
我々は、前者のカーネルの収束、後続の共分散、選択精度、および後続の意思決定を示す。
同じ後部安定性は、取得の転送、OOD検出、および棄権決定を可能にする。
論文 参考訳（メタデータ） (2026-10-08T10:40:32Z) - Multimodal Transformer Based Generic Mixture Density Network for Scattering Timescale Estimation of Fast Radio Bursts [0.7632410926487435]
本稿では,MT-GMDN (Multimodal Transformer Based Generic Mixture Density Network) という深層学習手法を提案する。
MT-GMDN は CHIME/FRB cattwo から$sim3500$ FRB のトレーニングを行い,トレーニング中の検証やトレーニング完了後のテストのために一部の FRB を保有した。
モデルは、測定可能な散乱を伴う事象に対する期待値の$$$$に対して94%$の判定係数(R2$)を、テストにおいて90%$の優れたリコール値で達成する。
論文 参考訳（メタデータ） (2026-06-02T13:01:08Z) - Weight Decay Regimes in Grokking Transformers: Cheap Online Diagnostics [0.0]
モジュラー演算で訓練された変換器は、記憶、一般化、崩壊の急激な遷移を示す。
重み劣化はこれらの状態に対するスカラーな経験的制御パラメータとして機能することを示す。
トレーニングのダイナミクスをトラックするオンライン診断,平均的注意頭コサイン類似性とエントロピー標準偏差を導入する。
論文 参考訳（メタデータ） (2026-05-19T19:48:40Z) - SimulCost: A Cost-Aware Benchmark and Toolkit for Automating Physics Simulations with LLMs [56.07550353240028]
物理シミュレーションにおけるコスト依存パラメータチューニングをターゲットとした最初のベンチマークであるSimulCostを紹介する。
SimulCostは、LCMチューニングのコスト感受性パラメータと従来のスキャン手法の精度と計算コストを比較した。
各シミュレータのコストは解析的に定義され、プラットフォームに依存しない。
論文 参考訳（メタデータ） (2026-03-11T05:00:48Z) - Neural network ensemble for computing cross sections for rotational transitions in H$_{2}$O + H$_{2}$O collisions [0.0]
ニューラルネットワーク(NN)のアンサンブルを用いて断面予測を行う機械学習ツールを提案する。
提案手法は、混合量子古典理論(MQCT)を用いて計算されたデータを利用する。
トレーニングには計算データの約10%しか使用せず、NNはH$_2$O + H$_2$O衝突の状態-状態間の回転遷移の断面積を予測する。
論文 参考訳（メタデータ） (2025-07-25T05:59:32Z) - Emulating the interstellar medium chemistry with neural operators [0.0]
銀河の形成と進化は、星間物質(ISM)の進化と熱力学を管理する複雑な光化学過程の理解に依存している
本稿では,ニューラル演算子に基づく高速で訓練済みのエミュレータを用いた手続き型解決器の置換を目指す。
我々は、DeepONet形式を採用することにより、H$(9種、52反応)までの非平衡化学ネットワークをエミュレートする。
単一ゾーンモデルに対して$textttKROME$で得られる参照解と比較すると、得られた典型的な精度は10-2$である。
論文 参考訳（メタデータ） (2024-02-19T19:00:01Z) - Extracting the gamma-ray source-count distribution below the Fermi-LAT detection limit with deep learning [44.99833362998488]
合成2次元スカイマップ上で畳み込みニューラルネットワークを訓練し,Fermi-LATインスツルメンタル応答関数を組み込む。
トレーニングされたニューラルネットワークはFermi-LATデータに適用され、そこからソースカウント分布をFermi-LATしきい値以下50のフラックスレベルまで推定する。
論文 参考訳（メタデータ） (2023-02-03T19:00:51Z) - Heterogenous Ensemble of Models for Molecular Property Prediction [55.91865861896012]
分子の異なるモーダル性を考える手法を提案する。
これらのモデルをHuberRegressorでアンサンブルします。
これにより、OGB Large-Scale Challenge (2022)の2textsuperscriptndエディションの勝利のソリューションが得られる。
論文 参考訳（メタデータ） (2022-11-20T17:25:26Z) - FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。
Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
論文 参考訳（メタデータ） (2022-10-26T00:23:36Z) - Supervised deep learning prediction of the formation enthalpy of the
full set of configurations in complex phases: the $\sigma-$phase as an
example [1.8369974607582582]
固体化学におけるいくつかの特性の予測に機械学習をどのように利用できるかを示す。
特に、与えられた複雑な結晶相の形成熱を予測するのに使用できる。
論文 参考訳（メタデータ） (2020-11-21T22:07:15Z)
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。