論文の概要: Simulation of electron-proton scattering events by a Feature-Augmented and Transformed Generative Adversarial Network (FAT-GAN)

• arxiv url: http://arxiv.org/abs/2001.11103v2
• Date: Thu, 27 May 2021 19:10:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 21:03:33.110614
• Title: Simulation of electron-proton scattering events by a Feature-Augmented and Transformed Generative Adversarial Network (FAT-GAN)
• Title（参考訳）: FAT-GAN(Feature-Augmented and Transformed Generative Adversarial Network)による電子プロトン散乱現象のシミュレーション
• Authors: Yasir Alanazi, N. Sato, Tianbo Liu, W. Melnitchouk, Pawel Ambrozewicz, Florian Hauenstein, Michelle P. Kuchera, Evan Pritchard, Michael Robertson, Ryan Strauss, Luisa Velasco, Yaohang Li
• Abstract要約: 生成逆ネットワーク(GAN)技術を用いて電子-陽子散乱における粒子生成をシミュレートするイベントジェネレータを構築する。 生成器によって容易に生成できる粒子モーメントから変換された特徴の集合を選択するGANを開発する。 この技術は、Electron-Ion Colliderのような既存の加速器施設や将来の加速器施設の科学を強化する上で重要な役割を果たす。
• 参考スコア（独自算出の注目度）: 4.995743387407634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We apply generative adversarial network (GAN) technology to build an event generator that simulates particle production in electron-proton scattering that is free of theoretical assumptions about underlying particle dynamics. The difficulty of efficiently training a GAN event simulator lies in learning the complicated patterns of the distributions of the particles physical properties. We develop a GAN that selects a set of transformed features from particle momenta that can be generated easily by the generator, and uses these to produce a set of augmented features that improve the sensitivity of the discriminator. The new Feature-Augmented and Transformed GAN (FAT-GAN) is able to faithfully reproduce the distribution of final state electron momenta in inclusive electron scattering, without the need for input derived from domain-based theoretical assumptions. The developed technology can play a significant role in boosting the science of existing and future accelerator facilities, such as the Electron-Ion Collider.
• Abstract（参考訳）: 我々は,電子-陽子散乱における粒子生成をシミュレートする事象発生器を構築するためにgan技術を適用する。 GANイベントシミュレータを効率的に訓練することの難しさは、粒子物性の分布の複雑なパターンを学習することにある。 生成器によって容易に生成できる粒子モーメントから変換された特徴のセットを選択するganを開発し、これらを用いて識別器の感度を向上させる拡張特徴のセットを作成する。 新しいFeature-Augmented and Transformed GAN (FAT-GAN)は、ドメインベースの理論的仮定から入力されることなく、包括的電子散乱における最終状態電子モーメントの分布を忠実に再現することができる。 この技術は、Electron-Ion Colliderのような既存の加速器施設や将来の加速器施設の科学を強化する上で重要な役割を果たす。

関連論文リスト

• Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
  Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。 適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
  論文  参考訳（メタデータ） (2024-11-01T12:59:25Z)
• Neural Message Passing Induced by Energy-Constrained Diffusion [79.9193447649011]
  本稿では,MPNNのメカニズムを理解するための原理的解釈可能なフレームワークとして,エネルギー制約付き拡散モデルを提案する。 データ構造が(グラフとして)観察されたり、部分的に観察されたり、完全に観察されなかったりした場合に、新しいモデルが有望な性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-09-13T17:54:41Z)
• Generative Diffusion Models for Fast Simulations of Particle Collisions at CERN [3.2686289567336235]
  高エネルギー物理シミュレーションでは、CERNの大型ハドロン衝突型加速器における粒子衝突実験の複雑さの解明に重要な役割を果たしている。 近年の進歩は、最先端の生成機械学習手法として拡散モデルの有効性を強調している。 拡散モデルに基づくALICE実験において,Zero Degree Calorimeter (ZDC) のシミュレーションを行った。
  論文  参考訳（メタデータ） (2024-06-05T13:11:53Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• High-Energy Collision of Quarks and Mesons in the Schwinger Model: From Tensor Networks to Circuit QED [0.0]
  量子シミュレータの1+1次元における格子量子電磁力学の散乱ダイナミクスについて検討する。 我々は, 複数粒子の波束状態を構築し, 時間とともに進化させ, 衝突後に発生する粒子を検出する。 本研究は,量子場理論における散乱過程の理解を深める上で,古典的および量子シミュレーションの役割を強調した。
  論文  参考訳（メタデータ） (2023-07-05T18:00:00Z)
• Unifying GANs and Score-Based Diffusion as Generative Particle Models [18.00326775812974]
  本稿では,粒子生成モデルと逆生成モデルを統合する新しいフレームワークを提案する。 これは、ジェネレータが任意の生成モデルに追加されることを示唆している。 フレームワークの潜在的な応用の概念の証明として、これらのオリジナルのモデルの有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2023-05-25T15:20:10Z)
• Effective Dynamics of Generative Adversarial Networks [16.51305515824504]
  GAN(Generative Adversarial Network)は、新しいサンプルを生成するために対人訓練を使用する機械学習モデルのクラスである。 モード崩壊と呼ばれるトレーニング失敗の1つの主要な形態は、ジェネレータがターゲット確率分布におけるモードの完全な多様性を再現できないことである。 本稿では,ジェネレータニューラルネットワークを出力空間内の粒子の集合に置き換えることで,学習ダイナミクスを捕捉するGANトレーニングの効果的なモデルを提案する。
  論文  参考訳（メタデータ） (2022-12-08T22:04:01Z)
• Transformer with Implicit Edges for Particle-based Physics Simulation [135.77656965678196]
  Implicit Edges (TIE) を用いたトランスフォーマーは、素粒子相互作用のリッチなセマンティクスをエッジフリーでキャプチャする。 様々な複雑さと素材の多様な領域におけるモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-07-22T03:45:29Z)
• Demonstration of electron-nuclear decoupling at a spin clock transition [54.088309058031705]
  クロック遷移は磁気ノイズから分子スピン量子ビットを保護する。 核自由度への線形結合は、電子コヒーレンスの変調と崩壊を引き起こす。 核浴への量子情報漏洩がないことは、他のデコヒーレンス源を特徴づける機会を与える。
  論文  参考訳（メタデータ） (2021-06-09T16:23:47Z)
• Gaussian boson sampling and multi-particle event optimization by machine learning in the quantum phase space [0.11421942894219898]
  量子位相空間における多体ガウス状態の特性関数を表現するためにニューラルネットワークを用いる。 自動微分によるボソンパターンの確率を計算する。 この結果は、量子技術のための新しいソースと複雑な回路の作成に潜在的に有用である。
  論文  参考訳（メタデータ） (2021-02-24T09:08:15Z)
• Entanglement generation via power-of-SWAP operations between dynamic electron-spin qubits [62.997667081978825]
  表面音響波(SAW)は、圧電材料内で動く量子ドットを生成することができる。 動的量子ドット上の電子スピン量子ビットがどのように絡み合うかを示す。
  論文  参考訳（メタデータ） (2020-01-15T19:00:01Z)

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。