Generalizable Foundation Models for Calorimetry via Mixtures-of-Experts and Parameter Efficient Fine Tuning
Este trabalho apresenta um modelo de fundação generalizável para calorimetria, baseado em transformadores de próxima token e combinando Mixture-of-Experts com ajuste fino eficiente em parâmetros, permitindo a adaptação modular a diferentes materiais, tipos de partículas e configurações de detectores sem esquecer conhecimentos anteriores, ao mesmo tempo que oferece uma alternativa computacionalmente competitiva para simulações de física de altas energias.