論文の概要: Reinforcement Learning in High-Energy Physics: A Survey from Accelerator Control to Theory Exploration

• arxiv url: http://arxiv.org/abs/2611.02049v1
• Date: Sun, 01 Nov 2026 16:53:51 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:06:11.863065
• Title: Reinforcement Learning in High-Energy Physics: A Survey from Accelerator Control to Theory Exploration
• Title（参考訳）: 高エネルギー物理における強化学習:加速器制御から理論探索まで
• Abstract要約: 強化学習(Reinforcement Learning、RL)は、エージェントが環境と対話して意思決定ポリシーを学ぶ機械学習パラダイムである。 この調査では、RLの加速と計算フィードバック、データ品質監視、ジェットグルーミング、クラスタリング、表現、荷電粒子追跡、超高次スタンダードモデル(BSM)および弦モデル構築、検出器設計、トリガ制御、解析、フォーマルな量子場理論への適用についてレビューする。
• 参考スコア（独自算出の注目度）: 0.5482532589225553
• License:
• Abstract: Reinforcement learning (RL) is a machine learning paradigm in which an agent learns a decision-making policy by interacting with an environment, guided by a scalar reward rather than explicit supervision. Supervised and unsupervised learning have become indispensable tools in high-energy physics (HEP), but they learn from fixed datasets, whereas many HEP tasks are closed-loop decisions: the data an algorithm observes depend on its choices, the feedback is sparse or delayed, and the objective is often measured on a real machine or in a stochastic simulation, not by a differentiable model. This survey reviews the application of RL to such tasks: accelerator control and feedback, data quality monitoring, jet grooming, clustering, and representation, charged particle tracking, beyond-the-Standard-Model (BSM) and string model building, detector design, trigger control, analysis, and formal quantum field theory computation. It provides a self-contained introduction to the underlying RL methods, from model-free and model-based to multi-agent, offline, inverse, and bandit approaches, reviews each domain against its traditional methods, and summarizes the head-to-head comparisons. The applications range from policies deployed on real accelerators and evaluated on recorded collision data to exploratory studies in formal theory. RL is most advantageous for repeated tasks with a fast simulator, decisions inside fast control loops, operation under faults and corrupted measurements, physics-based rewards in place of labels, and sequential discrete constructions with a reusable policy, while Bayesian optimization, genetic algorithms, and differentiable methods remain competitive elsewhere. We conclude with the open challenges that recur across domains, including reward design, sim-to-real transfer, safety, the lack of shared benchmarks, and the statistical validity of policy-driven decisions.
• Abstract（参考訳）: 強化学習(Reinforcement Learning、RL)は、エージェントが明示的な監督ではなく、スカラー報酬によって導かれる環境と相互作用することで意思決定ポリシーを学ぶ機械学習パラダイムである。 教師なし学習は高エネルギー物理学(HEP)において欠かせないツールとなっているが、それらは固定されたデータセットから学習しているが、多くのHEPタスクはクローズドループ決定である。 本調査では, 加速器制御とフィードバック, データ品質モニタリング, ジェットグルーミング, クラスタリング, 表現, 荷電粒子追跡, 標準モデル(BSM) と弦モデル構築, 検出器設計, トリガ制御, 解析, フォーマルな量子場理論計算などのタスクへのRLの適用についてレビューする。 モデルフリー、モデルベースからマルチエージェント、オフライン、インバース、およびバンディットアプローチまで、基礎となるRLメソッドを自己完結した導入を提供し、各ドメインを従来の方法と比較し、ヘッド・ツー・ヘッド比較を要約する。 応用は、実際の加速器に配備され、記録された衝突データに基づいて評価されるポリシーから、フォーマルな理論における探索的研究まで様々である。 RLは、高速なシミュレーターによる反復的なタスク、高速な制御ループ内の決定、故障と破損した測定の操作、ラベルの代わりに物理に基づく報酬、再利用可能なポリシーによる逐次的な離散的な構築において最も有利であるが、ベイズ最適化、遺伝的アルゴリズム、微分可能な手法は、他の場所で競争力を維持している。 報酬設計、シモン・トゥ・リアル・トランスファー、安全性、共有ベンチマークの欠如、政策主導型意思決定の統計的妥当性など、ドメイン間で再帰するオープンな課題を結論付けます。

関連論文リスト

• Heuristic Learning for Active Flow Control Using Coding Agents [2.867517731896504]
  我々は、現代の符号化エージェントを使用して、明示的な実行可能なフィードバック法を直接検索する。 本稿では,エージェントが公開ベンチマークインタフェースを通じてのみ対話しながら,コントローラの実装を反復的に提案し,評価し,修正する制約付き学習プロトコルを提案する。 検出されたコントローラは、コンパクトで解釈可能で直接検査可能なまま、13の環境のうち10の最高のDRLポリシーに適合または優れる。
  論文  参考訳（メタデータ） (2026-07-13T13:47:17Z)
• Test-Time Gradient Guidance of Flow Policies in Reinforcement Learning [50.738952715864116]
  表現的連続制御ポリシは、シミュレーションされた実ロボット制御のための模倣学習のスケーリングにおける進歩のバックボーンを形成する。 テスト時に完全にポリシー最適化を行うRLアルゴリズムであるQGF(Q-Guided Flow)を提案する。 実証的には、QGFはシングルタスクおよびゴール条件のオフラインRLベンチマークにおいて、以前のテスト時間RLメソッドよりも優れている。
  論文  参考訳（メタデータ） (2026-06-09T16:45:57Z)
• Control Synthesis of Cyber-Physical Systems for Real-Time Specifications through Causation-Guided Reinforcement Learning [3.608670495432032]
  信号時相論理(STL)は、リアルタイム制約を表現する強力な形式主義として登場した。 強化学習(RL)は未知環境における制御合成問題の解法として重要である。 本稿では,STLのオンライン因果監視によって導かれるオンライン報酬生成手法を提案する。
  論文  参考訳（メタデータ） (2025-10-09T02:49:28Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Learning Robust Penetration-Testing Policies under Partial Observability: A systematic evaluation [0.28675177318965045]
  セキュリティ脆弱性を特定するためのサイバー攻撃のシミュレーションである侵入テストは、シーケンシャルな意思決定の問題を提示している。 部分可観測性はマルコフ決定過程に存在するマルコフ特性を無効にする。 実世界の複雑性をよりよく反映することを目的として,異なる大きさのホストネットワーク上での部分的に観測可能な浸透試験シナリオについて検討した。
  論文  参考訳（メタデータ） (2025-09-24T11:27:54Z)
• Learning from Reward-Free Offline Data: A Case for Planning with Latent Dynamics Models [79.2162092822111]
  我々は,一連のナビゲーションタスクにおいて,強化学習(RL)と制御に基づく手法を体系的に評価する。 我々は、JEPA(Joint Embedding Predictive Architecture)を使用して、潜在ダイナミクスモデルを使用し、それを計画に使用します。 その結果,モデルベースプランニングではレイアウトが不明瞭になるのに対して,モデルフリーのRLは高品質なデータから恩恵を受けることがわかった。
  論文  参考訳（メタデータ） (2025-02-20T18:39:41Z)
• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• A Neuromorphic Architecture for Reinforcement Learning from Real-Valued Observations [0.34410212782758043]
  強化学習(RL)は複雑な環境における意思決定のための強力なフレームワークを提供する。 本稿では,実測値を用いてRL問題を解くための新しいスパイキングニューラルネットワーク(SNN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-07-06T12:33:34Z)
• Mastering the Unsupervised Reinforcement Learning Benchmark from Pixels [112.63440666617494]
  強化学習アルゴリズムは成功するが、エージェントと環境の間の大量の相互作用を必要とする。 本稿では,教師なしモデルベースRLを用いてエージェントを事前学習する手法を提案する。 我々はReal-Word RLベンチマークにおいて、適応中の環境摂動に対する抵抗性を示唆し、堅牢な性能を示す。
  論文  参考訳（メタデータ） (2022-09-24T14:22:29Z)

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。