論文の概要: Generative Adversarial Networks for LHCb Fast Simulation

• arxiv url: http://arxiv.org/abs/2003.09762v1
• Date: Sat, 21 Mar 2020 22:46:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 13:25:57.118069
• Title: Generative Adversarial Networks for LHCb Fast Simulation
• Title（参考訳）: LHCb高速シミュレーションのための生成逆ネットワーク
• Authors: Fedor Ratnikov
• Abstract要約: LHCb生成モデルは、チェレンコフ検出器の温度計および高レベル応答におけるシャワーの発生を加速するために研究されている。 提案手法は,高速化とともに高忠実度な結果をもたらすことを実証し,これらの結果がもたらす影響について考察する。
• 参考スコア（独自算出の注目度）: 0.7106986689736827
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LHCb is one of the major experiments operating at the Large Hadron Collider at CERN. The richness of the physics program and the increasing precision of the measurements in LHCb lead to the need of ever larger simulated samples. This need will increase further when the upgraded LHCb detector will start collecting data in the LHC Run 3. Given the computing resources pledged for the production of Monte Carlo simulated events in the next years, the use of fast simulation techniques will be mandatory to cope with the expected dataset size. In LHCb generative models, which are nowadays widely used for computer vision and image processing are being investigated in order to accelerate the generation of showers in the calorimeter and high-level responses of Cherenkov detector. We demonstrate that this approach provides high-fidelity results along with a significant speed increase and discuss possible implication of these results. We also present an implementation of this algorithm into LHCb simulation software and validation tests.
• Abstract（参考訳）: LHCbはCERNのLarge Hadron Colliderで行われている主要な実験の1つである。 物理プログラムの豊かさとLHCbの測定精度の増大により、さらに大きなシミュレーションサンプルが必要になった。 改良されたLHCb検出器がLHC Run 3のデータ収集を開始すると、このニーズはさらに増加するだろう。 今後数年間にモンテカルロシミュレーションイベントの生産を約束する計算資源を考えると、期待されるデータセットサイズに対処するために高速シミュレーション技術の使用が必須となる。 現在コンピュータビジョンや画像処理に広く使われているlhcb生成モデルでは、チェレンコフ検出器の温度計におけるシャワーの発生と高レベル応答を加速するために研究されている。 我々は,このアプローチが高い忠実度と大幅な速度向上をもたらすことを実証し,これらの結果が示唆される可能性について議論する。 また,このアルゴリズムをLHCbシミュレーションソフトウェアに実装し,検証試験を行う。

関連論文リスト

• A conditional latent autoregressive recurrent model for generation and forecasting of beam dynamics in particle accelerators [46.348283638884425]
  本稿では,加速器内の荷電粒子のダイナミクスを学習するための2段階の非教師付きディープラーニングフレームワークであるLatent Autoregressive Recurrent Model (CLARM)を提案する。 CLARMは、潜在空間表現をキャプチャしてデコードすることで、様々な加速器サンプリングモジュールでプロジェクションを生成することができる。 その結果,提案手法の予測能力と生成能力は,様々な評価指標と比較した場合に有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-19T22:05:17Z)
• The LHCb ultra-fast simulation option, Lamarr: design and validation [0.46369270610100627]
  詳細な検出器シミュレーションは、LHCbのCPUリソースの主要な消費者である。 Lamarrは、LHCb検出器のシミュレーションで最速のソリューションを提供するために設計されたガウディベースのフレームワークである。
  論文  参考訳（メタデータ） (2023-09-22T23:21:27Z)
• Decreasing the Computing Time of Bayesian Optimization using Generalizable Memory Pruning [56.334116591082896]
  本稿では,任意のサロゲートモデルと取得関数で使用可能なメモリプルーニングとバウンダリ最適化のラッパーを示す。 BOを高次元または大規模データセット上で実行することは、この時間の複雑さのために難解になる。 すべてのモデル実装はMIT Supercloudの最先端コンピューティングハードウェア上で実行される。
  論文  参考訳（メタデータ） (2023-09-08T14:05:56Z)
• Lamarr: LHCb ultra-fast simulation based on machine learning models deployed within Gauss [0.0]
  LHCb実験における検出器応答と再構成アルゴリズムの両方をパラメータ化するシミュレーション生成を高速化するフレームワークであるLamarrについて論じる。 複数のアルゴリズムと戦略を駆使した深部生成モデルを用いて、LHCb検出器の単一成分の高レベル応答を効果的にパラメータ化する。
  論文  参考訳（メタデータ） (2023-03-20T20:18:04Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Towards Reliable Neural Generative Modeling of Detectors [0.45671221781968335]
  本稿では,LHCb実験イベントのシミュレーションにおけるGAN(Generative Adversarial Network)の適用について論じる。 結果は、LHCbチェレンコフ検出器のGeant4シミュレーションに基づいている。
  論文  参考訳（メタデータ） (2022-04-21T08:14:24Z)
• The Boundary for Quantum Advantage in Gaussian Boson Sampling [44.62475518267084]
  最先端の量子フォトニクス実験では、既存の古典的アルゴリズムをシミュレートするのに6億年を要します。 本稿では,高速かつ高精度なGBSシミュレーション手法を提案する。 これにより、最先端のGBS実験をシミュレーションする実行時間を数ヶ月に短縮する。
  論文  参考訳（メタデータ） (2021-08-03T16:49:40Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Providing Meaningful Data Summarizations Using Examplar-based Clustering in Industry 4.0 [67.80123919697971]
  我々は,従来のCPUアルゴリズムと比較して,一精度で最大72倍,半精度で最大452倍の高速化を実現していることを示す。 提案アルゴリズムは射出成形プロセスから得られた実世界のデータに適用し, 得られたサマリーが, コスト削減と不良部品製造の削減のために, この特定のプロセスのステアリングにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2021-05-25T15:55:14Z)
• Graph Generative Models for Fast Detector Simulations in High Energy Physics [0.0]
  検出器との粒子相互作用のシミュレーションは時間がかかり、計算に費用がかかる。 HL-LHCのアップグレードは、コンピューティングインフラストラクチャに大きな負担をかけます。 LHCイベントを効果的に再現するグラフ生成モデルについて論じる。
  論文  参考訳（メタデータ） (2021-04-05T00:27:43Z)
• Data Augmentation at the LHC through Analysis-specific Fast Simulation with Deep Learning [4.666011151359189]
  本稿では,大規模解析用データセットを作成するために設計されたディープニューラルネットワークに基づく高速シミュレーションアプリケーションを提案する。 本稿では,大量のジェネレータレベルのイベントから始まる高速シミュレーションワークフローを提案する。
  論文  参考訳（メタデータ） (2020-10-05T07:48:45Z)

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。