論文の概要: Using Machine Learning to Speed Up and Improve Calorimeter R&D
- arxiv url: http://arxiv.org/abs/2003.12440v1
- Date: Fri, 27 Mar 2020 14:44:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 05:38:43.121153
- Title: Using Machine Learning to Speed Up and Improve Calorimeter R&D
- Title（参考訳）: 機械学習を使ってカロリメータR&Dの高速化と改善
- Authors: Fedor Ratnikov
- Abstract要約: 物理性能の評価を遅くする2つの典型的な問題は、特にカロリー検出器技術や構成に対するアプローチである。
本稿では,検出器開発および最適化サイクルの精度向上と高速化を目的とした,高度な機械学習技術の利用について論じる。
- 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: Design of new experiments, as well as upgrade of ongoing ones, is a
continuous process in the experimental high energy physics. Since the best
solution is a trade-off between different kinds of limitations, a quick turn
over is necessary to evaluate physics performance for different techniques in
different configurations. Two typical problems which slow down evaluation of
physics performance for particular approaches to calorimeter detector
technologies and configurations are:
- Emulating particular detector properties including raw detector response
together with a signal processing chain to adequately simulate a calorimeter
response for different signal and background conditions. This includes
combining detector properties obtained from the general Geant simulation with
properties obtained from different kinds of bench and beam tests of detector
and electronics prototypes.
- Building an adequate reconstruction algorithm for physics reconstruction of
the detector response which is reasonably tuned to extract the most of the
performance provided by the given detector configuration.
Being approached from the first principles, both problems require significant
development efforts. Fortunately, both problems may be addressed by using
modern machine learning approaches, that allow a combination of available
details of the detector techniques into corresponding higher level physics
performance in a semi-automated way. In this paper, we discuss the use of
advanced machine learning techniques to speed up and improve the precision of
the detector development and optimisation cycle, with an emphasis on the
experience and practical results obtained by applying this approach to
epitomising the electromagnetic calorimeter design as a part of the upgrade
project for the LHCb detector at LHC.
- Abstract（参考訳）: 新しい実験の設計と進行中の実験のアップグレードは、実験高エネルギー物理学における連続的なプロセスである。
最適解は、異なる種類の制限の間のトレードオフであるため、異なる構成の異なる技法の物理性能を評価するには、迅速なターンオーバーが必要である。
物理性能の評価を遅くする2つの典型的な問題は、例えば、信号処理チェーンと共に生の検出器応答を含む特定の検出器特性をエミュレートし、異なる信号や背景条件に対するカロリメータ応答を適切にシミュレートすることである。
これには、一般地質シミュレーションから得られた検出器特性と、様々な種類のベンチおよび検出器およびエレクトロニクスプロトタイプのビーム試験から得られた特性を組み合わせることが含まれる。
-所定の検出器構成で得られる性能のほとんどを抽出するように適度に調整された検出器応答の物理再構成のための適切な再構成アルゴリズムを構築する。
最初の原則からアプローチされるため、どちらの問題も大きな開発努力を必要とする。
幸いなことに、両方の問題は現代の機械学習アプローチによって解決される可能性があり、これにより検出器技術の詳細とそれに対応する高レベルの物理性能を半自動で組み合わせることができる。
本稿では,LHCにおけるLHCb検出器のアップグレードプロジェクトの一環として,電磁量計設計のエピトマイズにこの手法を適用した経験と実践的結果を中心に,検出器開発と最適化サイクルの高速化と向上を目的とした高度な機械学習技術の利用について議論する。
関連論文リスト
- Deep(er) Reconstruction of Imaging Cherenkov Detectors with Swin Transformers and Normalizing Flow Models [0.0]
チェレンコフ検出器のイメージングは、核物理学と粒子物理学の実験において粒子識別(PID)に不可欠である。
本稿では,複雑なヒットパターンを示すDIRC検出器に着目し,JLabのGlueX実験において,ピオンとカオンのPIDにも使用される。
We present Deep(er)RICH, a extension of the seminal DeepRICH work, offered improve and faster PID than traditional methods。
論文 参考訳（メタデータ） (2024-07-10T05:37:02Z) - Machine Learning methods for simulating particle response in the Zero
Degree Calorimeter at the ALICE experiment, CERN [8.980453507536017]
現在、CERN GRIDの計算能力の半分以上が高エネルギー物理シミュレーションに使われている。
大型ハドロン衝突型加速器(LHC)の最新情報により、より効率的なシミュレーション手法の開発の必要性が高まっている。
機械学習を利用した問題に対する代替手法を提案する。
論文 参考訳（メタデータ） (2023-06-23T16:45:46Z) - Label-free timing analysis of SiPM-based modularized detectors with
physics-constrained deep learning [9.234802409391111]
モジュール化検出器のタイミング解析のためのディープラーニングに基づく新しい手法を提案する。
本稿では,提案手法が求める最適関数の存在を数学的に証明し,モデルのトレーニングと校正のための体系的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-24T09:16:31Z) - Improving the Timing Resolution of Positron Emission Tomography
Detectors Using Boosted Learning -- A Residual Physics Approach [0.4999814847776097]
本研究は,機械学習(ML)と残差物理を用いた検出器最適化の新しい多用途手法を提案する。
ポジトロン・エミッション・トモグラフィー (PET) の概念を適用し, 一致時間分解能(CTR)の向上を目的とした。
臨床的に有意な19mmの検出器ではCTRを有意に改善し(20%以上)、185 ps (450-550 keV) のCTRに到達した。
論文 参考訳（メタデータ） (2023-02-03T12:10:24Z) - Retrieving space-dependent polarization transformations via near-optimal
quantum process tomography [55.41644538483948]
トモグラフィー問題に対する遺伝的および機械学習アプローチの適用について検討する。
ニューラルネットワークベースのスキームは、リアルタイムにキャラクタリゼーションを必要とするアプリケーションにおいて、重要なスピードアップを提供する。
これらの結果は、より一般的な量子プロセスにおけるトモグラフィーアプローチの最適化の基礎となることを期待する。
論文 参考訳（メタデータ） (2022-10-27T11:37:14Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳（メタデータ） (2021-06-24T15:58:57Z) - Machine Learning Framework for Quantum Sampling of Highly-Constrained,
Continuous Optimization Problems [101.18253437732933]
本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。
本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
論文 参考訳（メタデータ） (2021-05-06T02:22:23Z) - Signal Processing and Machine Learning Techniques for Terahertz Sensing:
An Overview [89.09270073549182]
テラヘルツ(THz)信号生成と放射法は、無線システムの未来を形作っている。
THz 固有の信号処理技術は、THz 帯域の効率的な利用のために、この THz センシングへの関心を補う必要がある。
本稿では,信号前処理に着目した手法の概要を示す。
また,THz帯で有望な知覚能力を探索し,深層学習の有効性についても検討した。
論文 参考訳（メタデータ） (2021-04-09T01:38:34Z) - PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable
Physics [89.81550748680245]
PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。
各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。
本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
論文 参考訳（メタデータ） (2021-04-07T17:59:23Z) - Rapid characterisation of linear-optical networks via PhaseLift [51.03305009278831]
集積フォトニクスは優れた位相安定性を提供し、半導体産業によって提供される大規模な製造性に依存することができる。
このような光回路に基づく新しいデバイスは、機械学習アプリケーションにおいて高速でエネルギー効率の高い計算を約束する。
線形光ネットワークの転送行列を再構成する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-10-01T16:04:22Z) - Using machine learning to speed up new and upgrade detector studies: a
calorimeter case [0.0]
提案されたアプローチは、将来の検出器の設計概念(CDR)と技術設計(TDR)フェーズの両方に適用できる。
本稿では,LHCb検出器システラクラス3の電磁熱量計アップグレードプロジェクトを中心に,機械学習を用いた検出器R&Dとその最適化サイクルを提案する。
論文 参考訳（メタデータ） (2020-03-11T05:35:54Z)
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。