論文の概要: Towards a Computer Vision Particle Flow

• arxiv url: http://arxiv.org/abs/2003.08863v3
• Date: Wed, 3 Feb 2021 22:09:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 05:01:14.390670
• Title: Towards a Computer Vision Particle Flow
• Title（参考訳）: コンピュータビジョン粒子流れへ向けて
• Authors: Francesco Armando Di Bello, Sanmay Ganguly, Eilam Gross, Marumi Kado, Michael Pitt, Lorenzo Santi, Jonathan Shlomi
• Abstract要約: 高エネルギー物理実験において、粒子流(PFlow)アルゴリズムは衝突時に検出された粒子を最適に再現するように設計されている。 PFlowアルゴリズムの中心にあるのは、中性粒子のカロリーメートルエネルギー沈着と荷電粒子のエネルギー沈着を区別する能力である。 カロリー画像に基づくPFlowアルゴリズムの基本的側面に対するコンピュータビジョンアプローチを提案する。
• 参考スコア（独自算出の注目度）: 1.0051474951635877
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In High Energy Physics experiments Particle Flow (PFlow) algorithms are designed to provide an optimal reconstruction of the nature and kinematic properties of the particles produced within the detector acceptance during collisions. At the heart of PFlow algorithms is the ability to distinguish the calorimeter energy deposits of neutral particles from those of charged particles, using the complementary measurements of charged particle tracking devices, to provide a superior measurement of the particle content and kinematics. In this paper, a computer vision approach to this fundamental aspect of PFlow algorithms, based on calorimeter images, is proposed. A comparative study of the state of the art deep learning techniques is performed. A significantly improved reconstruction of the neutral particle calorimeter energy deposits is obtained in a context of large overlaps with the deposits from charged particles. Calorimeter images with augmented finer granularity are also obtained using super-resolution techniques.
• Abstract（参考訳）: 高エネルギー物理実験において、粒子流(PFlow)アルゴリズムは衝突時に検出された粒子の性質と運動特性を最適に再現するように設計されている。 pflowアルゴリズムの中心にあるのは、荷電粒子追跡装置の相補的測定を用いて、中性粒子のカロリーエネルギー沈着と荷電粒子のエネルギー沈着を区別し、粒子量と運動学の優れた測定を可能にする能力である。 本稿では,熱量計画像に基づくpflowアルゴリズムのこの基本的な側面に対するコンピュータビジョンアプローチを提案する。 深層学習技術の現状に関する比較研究を行う。 中性粒子カロリメータエネルギー鉱床の著しく改善された再構成は、荷電粒子からの堆積物と大きな重なり合いの文脈で得られる。 超解像技術を用いて、より微細な粒度を持つカロリメータ画像も得られる。

関連論文リスト

• Reconstruction of Particle Flow Energy Distribution Using Deep Learning Algorithms [8.5980103509356]
  近年の進歩は、エネルギーマップ再構築のための様々なサブ検出器からの熱量計画像の深層学習による処理である。 本稿では,従来のアルゴリズム-MLP,CNN,U-Net,RNN-を,自己注意と3D畳み込みモジュールを含む変種と比較する。 ジェットイベントのテストデータセットを使用して、異常な高エネルギーイベントを扱う際のモデルの性能を分析し、比較する。
  論文  参考訳（メタデータ） (2024-10-08T11:49:18Z)
• Denoising Graph Super-Resolution towards Improved Collider Event Reconstruction [0.351124620232225]
  本研究は,LHCライクな再構築パイプラインへの超解像技術の統合について検討する。 このソフトウェア前処理のステップは、検出器に物理的に変更を加えることなく、再現性を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2024-09-24T12:56:56Z)
• Oscillating Fields, Emergent Gravity and Particle Traps [55.2480439325792]
  急速振動場における荷電粒子の大規模ダイナミクスについて検討し、その古典的および量子有効理論記述を定式化する。 注目すべきことに、このアクションは非相対論的粒子の運動に対する一般相対性理論の影響を、場の空間分布と周波数によって決定される創発的曲率と光の速度の値でモデル化する。
  論文  参考訳（メタデータ） (2023-10-03T18:00:02Z)
• Progress towards an improved particle flow algorithm at CMS with machine learning [8.3763093941108]
  CERN LHCにおけるCMS実験において、粒子流(PF)はイベント再構成において中心的な重要性を持つ。 近年,PF再構成を行うグラフニューラルネットワークであるMLPFアルゴリズムをCMSで探索している。 我々は,生成/シミュレーションレベルの粒子情報を用いて最適化されたアルゴリズムF再構成の実装に向けたCMSの進歩について論じる。 これにより、物理量の観点から検出器の応答を潜在的に改善する道が開ける。
  論文  参考訳（メタデータ） (2023-03-30T18:41:28Z)
• Faster spectral density calculation using energy moments [77.34726150561087]
  我々は、最近提案されたガウス積分変換法を、ハミルトニアン系のフーリエモーメントの観点から再構成する。 このフレームワークの主な利点の1つは、計算コストの大幅な削減を可能にすることである。
  論文  参考訳（メタデータ） (2022-11-01T23:57:58Z)
• Sampling with Mollified Interaction Energy Descent [57.00583139477843]
  モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。 MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する 我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-10-24T16:54:18Z)
• Computational Doob's h-transforms for Online Filtering of Discretely Observed Diffusions [65.74069050283998]
  本研究では,Doobの$h$-transformsを近似する計算フレームワークを提案する。 提案手法は、最先端粒子フィルタよりも桁違いに効率的である。
  論文  参考訳（メタデータ） (2022-06-07T15:03:05Z)
• NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields [65.07940731309856]
  深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。 本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。 我々はNeuroFluidという2段階の異なるネットワークを提案する。 初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
  論文  参考訳（メタデータ） (2022-03-03T15:13:29Z)
• Machine Learning for Particle Flow Reconstruction at CMS [7.527568379083754]
  CMSのための機械学習に基づく粒子フローアルゴリズムの実装について詳述する。 このアルゴリズムは、温度計クラスタとトラックに基づいて安定粒子を再構成し、グローバルなイベント再構成を提供する。
  論文  参考訳（メタデータ） (2022-03-01T10:11:44Z)
• MLPF: Efficient machine-learned particle-flow reconstruction using graph neural networks [0.0]
  汎用粒子検出器では、粒子フローアルゴリズムを用いて事象の粒子レベルビューを再構築することができる。 並列化可能,スケーラブル,グラフニューラルネットワークに基づく,エンドツーエンドのトレーニング可能,マシン学習型粒子フローアルゴリズムを提案する。 陽子-陽子衝突で生成したトップクォーク-反クォーク対のモンテカルロデータセット上で,アルゴリズムの物理および計算性能について報告する。
  論文  参考訳（メタデータ） (2021-01-21T12:47:54Z)
• Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
  本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。 従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
  論文  参考訳（メタデータ） (2020-09-28T15:05:39Z)

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。