論文の概要: Scaling the training of particle classification on simulated MicroBooNE
events to multiple GPUs
- arxiv url: http://arxiv.org/abs/2004.08439v1
- Date: Fri, 17 Apr 2020 20:21:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 12:57:08.541686
- Title: Scaling the training of particle classification on simulated MicroBooNE
events to multiple GPUs
- Title（参考訳）: シミュレーションマイクロブーム事象における粒子分類のトレーニングを複数のgpuに拡大する
- Authors: Alex Hagen, Eric Church, Jan Strube, Kolahal Bhattacharya, and Vinay
Amatya
- Abstract要約: 本稿では,複数のノードにまたがる複数のアーキテクチャ上でのLArTPC分類問題のスケーリングについて検討する。
我々の知る限り、これは粒子物理学における最先端の畳み込みニューラルネットワークの最初の使用である。
我々は,特に深部地下ニュートリノ実験(DUNE)のLArTPCプログラムの利点を期待する。
- 参考スコア（独自算出の注目度）: 0.16777183511743468
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Measurements in Liquid Argon Time Projection Chamber (LArTPC) neutrino
detectors, such as the MicroBooNE detector at Fermilab, feature large, high
fidelity event images. Deep learning techniques have been extremely successful
in classification tasks of photographs, but their application to LArTPC event
images is challenging, due to the large size of the events. Events in these
detectors are typically two orders of magnitude larger than images found in
classical challenges, like recognition of handwritten digits contained in the
MNIST database or object recognition in the ImageNet database. Ideally,
training would occur on many instances of the entire event data, instead of
many instances of cropped regions of interest from the event data. However,
such efforts lead to extremely long training cycles, which slow down the
exploration of new network architectures and hyperparameter scans to improve
the classification performance. We present studies of scaling a LArTPC
classification problem on multiple architectures, spanning multiple nodes. The
studies are carried out on simulated events in the MicroBooNE detector. We
emphasize that it is beyond the scope of this study to optimize networks or
extract the physics from any results here. Institutional computing at Pacific
Northwest National Laboratory and the SummitDev machine at Oak Ridge National
Laboratory's Leadership Computing Facility have been used. To our knowledge,
this is the first use of state-of-the-art Convolutional Neural Networks for
particle physics and their attendant compute techniques onto the DOE Leadership
Class Facilities. We expect benefits to accrue particularly to the Deep
Underground Neutrino Experiment (DUNE) LArTPC program, the flagship US High
Energy Physics (HEP) program for the coming decades.
- Abstract（参考訳）: 液体アルゴン時間投影室(lartpc)のニュートリノ検出器(フェルミラブのマイクロボーン検出器など)における測定には、大きな忠実度の高いイベント画像が特徴である。
深層学習技術は写真の分類作業において極めて成功したが、LArTPCイベント画像への応用は、イベントの規模が大きいため困難である。
これらの検出器内のイベントは、MNISTデータベースに含まれる手書き桁の認識やImageNetデータベース内のオブジェクト認識など、古典的な課題で見られる画像よりも2桁大きい。
理想的には、イベントデータから収集された多くの領域ではなく、イベントデータの多くのインスタンスでトレーニングが行われるだろう。
しかし、そのような取り組みは、分類性能を改善するために新しいネットワークアーキテクチャやハイパーパラメータースキャンの探索を遅くする、非常に長い訓練サイクルに繋がる。
本稿では,複数のノードにまたがる複数のアーキテクチャ上でのLArTPC分類問題のスケーリングについて検討する。
これらの研究は、MicroBooNE検出器のシミュレーションイベントについて行われた。
この研究の範囲を超えて、ネットワークを最適化したり、あらゆる結果から物理を抽出することを強調します。
太平洋北西部国立研究所の施設コンピューティングとオークリッジ国立研究所のリーダーシップコンピューティング施設のサミットデブマシンが使用されている。
我々の知る限り、これは粒子物理学における最先端の畳み込みニューラルネットワークと、それに付随する計算技術のDOEリーダーシップクラス施設への最初の利用である。
今後数十年間、米国の旗艦となる高エネルギー物理(HEP)プログラムである、ディープ・アンダーグラウンド・ニュートリノ実験(DUNE) LArTPCプログラムに特に利益を期待する。
関連論文リスト
- Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。
提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。
主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
論文 参考訳（メタデータ） (2024-07-24T09:11:34Z) - EventTransAct: A video transformer-based framework for Event-camera
based action recognition [52.537021302246664]
イベントカメラは、RGBビデオの標準アクション認識と比較して、新しい機会を提供する。
本研究では,最初にイベントフレーム当たりの空間埋め込みを取得するビデオトランスフォーマーネットワーク(VTN)という,計算効率のよいモデルを用いる。
イベントデータのスパースできめ細かい性質にVTNをよりよく採用するために、イベントコントラストロス(mathcalL_EC$)とイベント固有の拡張を設計する。
論文 参考訳（メタデータ） (2023-08-25T23:51:07Z) - Spiking-Fer: Spiking Neural Network for Facial Expression Recognition
With Event Cameras [2.9398911304923447]
Spiking-FER」は深層畳み込みSNNモデルであり、類似したニューラルネットワーク(ANN)と比較する。
実験の結果,提案手法はANNアーキテクチャに匹敵する性能を達成し,最大65.39倍のエネルギーを消費することがわかった。
論文 参考訳（メタデータ） (2023-04-20T10:59:56Z) - EV-Catcher: High-Speed Object Catching Using Low-latency Event-based
Neural Networks [107.62975594230687]
イベントカメラが優れており、高速移動物体の衝突位置を正確に推定するアプリケーションを実証する。
イベントデータを低レイテンシでエンコードするために,Binary Event History Image(BEHI)と呼ばれる軽量なイベント表現を導入する。
計算制約のある組込みプラットフォーム上でも最大13m/sの速さで, 異なる場所をターゲットとした球のキャッチにおいて, 81%の成功率を達成することができることを示す。
論文 参考訳（メタデータ） (2023-04-14T15:23:28Z) - The Preliminary Results on Analysis of TAIGA-IACT Images Using
Convolutional Neural Networks [68.8204255655161]
本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。
The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
論文 参考訳（メタデータ） (2021-12-19T15:17:20Z) - Multi-Agent Semi-Siamese Training for Long-tail and Shallow Face
Learning [54.13876727413492]
多くの現実世界の顔認識シナリオでは、トレーニングデータセットの深さは浅いため、IDごとに2つの顔画像しか利用できません。
非均一なサンプルの増加により、このような問題はより一般的なケース、すなわち長い尾の顔学習に変換される。
これらの問題に対処するために,マルチエージェントセミシアントレーニング(masst)という高度なソリューションを導入する。
広範な実験と比較は、長い尾と浅い顔学習のためのMASSTの利点を示しています。
論文 参考訳（メタデータ） (2021-05-10T04:57:32Z) - Scalable, End-to-End, Deep-Learning-Based Data Reconstruction Chain for
Particle Imaging Detectors [0.0]
本稿では,Lyquid Time Projection Chambers (LArTPCs) のためのエンドツーエンドのMLベースのデータ再構成チェーンを提案する。
これは、何十もの高エネルギーニュートリノ相互作用の既往の積み重ねを扱う最初の実装である。
論文 参考訳（メタデータ） (2021-02-01T18:10:00Z) - Learning Monocular Dense Depth from Events [53.078665310545745]
イベントカメラは、強度フレームではなく、非同期イベントのストリームの形式で輝度を変化させる。
最近の学習に基づくアプローチは、単眼深度予測のようなイベントベースのデータに適用されている。
本稿では,この課題を解決するための繰り返しアーキテクチャを提案し,標準フィードフォワード法よりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-10-16T12:36:23Z) - Quantum-inspired Machine Learning on high-energy physics data [0.0]
CERNの大型ハドロン衝突型加速器が生成するデータの分析と分類に量子インスパイアされた機械学習技術を適用した。
特に、いわゆるb-ジェットを効果的に分類する方法、陽子-陽子実験からb-クォークを起源とするジェット、および分類結果の解釈方法について述べる。
論文 参考訳（メタデータ） (2020-04-28T18:00:12Z) - The use of Convolutional Neural Networks for signal-background
classification in Particle Physics experiments [0.4301924025274017]
広範に畳み込み型ニューラルアーキテクチャ探索を行い,HEP分類のための信号/背景識別を高精度に行う。
パラメータが少ないCNNで複雑なResNetアーキテクチャと同じ精度を実現できることを示す。
論文 参考訳（メタデータ） (2020-02-13T19:54:46Z) - On the impact of selected modern deep-learning techniques to the
performance and celerity of classification models in an experimental
high-energy physics use case [0.0]
ディープラーニング技術は、高エネルギー物理学の領域で遭遇する分類問題の文脈でテストされる。
利点は、パフォーマンスメトリクスと、結果のモデルのトレーニングと適用に必要な時間の両方の観点から評価されます。
LUMINと呼ばれるPyTorch用の新しいラッパーライブラリが紹介されている。
論文 参考訳（メタデータ） (2020-02-03T12:29:59Z)
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。