Grounding X-Ray Simulations in Reality: Physics-Aware Calibration for X-Ray Models
Notice bibliographique
Résumé
The demand for larger datasets is growing as AI and machine learning become vital in signal processing for high-rate experiments. Yet, such sizable datasets are difficult to obtain through real-world setups, prompting the use of Monte Carlo simulation frameworks, such as Geant4, to generate synthetic data. However, accurately reproducing experiments through simulation poses a significant challenge: key parameters – including material properties, source distributions, and detector geometry – can be poorly documented or unknown. In practice, aligning simulation outputs with real-world measurements is time-consuming and often relies on expert intuition or brute-force parameter sweeps. To address this, we propose a physics-aware optimization approach that automatically calibrates simulation parameters to match experiments. Treating Geant4 as a black box, our method leverages derivative-free optimization techniques to minimize a data-driven loss between simulated and observed outputs. Physics-informed constraints are incorporated through clipping and penalty-based regularization to enforce plausible solutions. We evaluate our approach on synthetic X-ray imaging data, comparing recovered parameters to the known ground truth and a real-world dataset with unknown parameters. In both cases, we assess image quality using standard SSIM, demonstrating accurate configuration recovery while substantially reducing manual calibration effort. Our method generalizes to various experimental setups where simulation fidelity is essential but full system specification is unavailable.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».