PhyGHT mu200
чекпоинт модели для анализа физических событий
2 мин чтенияобновлено
Модель PhyGHT mu200 решает задачу табличной регрессии (прогнозирования числовых величин по табличным данным) на основе физических симуляций столкновок частиц. Она обучена с нуля на 8 000 событий для предсказания долей энергии и массы (energy_fraction и mass_fraction). Архитектура включает размерность 128, 4 головы внимания и 3 Transformer-слоя. Чекпоинт пригодится исследователям в области физики высоких энергий и разработчикам, работающим со сложными табличными данными и графовыми симуляциями.
Ключевые особенности
- Обучение на 200 эпохах с использованием валидационного hybrid loss.
- Высокие показатели метрики R2 на валидации и тесте (до 0.93 для энергии).
- Полная воспроизводимость инференса с фиксированными настройками CUDA.
- Интеграция с библиотекой PyTorch и torch-geometric.
Что можно сделать
- Запустить локальный инференс на Python для анализа тестовых событий из репозитория.
- Проверить качество предсказания долей энергии и массы на собственных наборах данных симуляций.
- Интегрировать модель в пайплайны обработки данных физики высоких энергий.
Пример
import json, sys, os
os.environ.setdefault("CUBLAS_WORKSPACE_CONFIG", ":4096:8")
from pathlib import Path
import torch
from huggingface_hub import snapshot_download
folder = Path(snapshot_download("Rakib/PhyGHT-mu200"))
sys.path.insert(0, str(folder))
from portable_io import load_model, predict_event
device = "cuda" if torch.cuda.is_available() else "cpu"
model = load_model(folder, device=device)
event = json.loads((folder / "example_event.json").read_text())
predictions = predict_event(model, event, device=device)
Подробнее
Метрики test energy_fraction R2: 0.9346, MAE: 0.0124Метрики test mass_fraction R2: 0.8366, MAE: 0.0095
Требования: Python 3.10.18, PyTorch 2.6.0+cu124, torch-geometric
Ограничения: симулированные top-quark-pair события, для реальных данных требуется валидация










Комментарии