Fugu-MT 論文翻訳(概要): Classification of Equation of State in Relativistic Heavy-Ion Collisions Using Deep Learning

論文の概要: Classification of Equation of State in Relativistic Heavy-Ion Collisions Using Deep Learning

arxiv url: http://arxiv.org/abs/2004.14409v2
Date: Wed, 22 Jul 2020 09:57:17 GMT
ステータス: 処理完了
システム内更新日: 2022-12-08 14:46:01.908584
Title: Classification of Equation of State in Relativistic Heavy-Ion Collisions Using Deep Learning
Title（参考訳）: ディープラーニングを用いた相対論的重イオン衝突状態方程式の分類
Authors: Yu. Kvasiuk, E. Zabrodin, L. Bravina, I. Didur, M. Frolov
Abstract要約: 畳み込みニューラルネットワークを用いてUrQMDモデル内で発生する重イオン衝突現象の状態の方程式を分類する。 Au+Auイベントの98%の分類精度は、$sqrts_NN = 11$ GeVである。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Convolutional Neural Nets, which is a powerful method of Deep Learning, is applied to classify equation of state of heavy-ion collision event generated within the UrQMD model. Event-by-event transverse momentum and azimuthal angle distributions of protons are used to train a classifier. An overall accuracy of classification of 98\% is reached for Au+Au events at $\sqrt{s_{NN}} = 11$ GeV. Performance of classifiers, trained on events at different colliding energies, is investigated. Obtained results indicate extensive possibilities of application of Deep Learning methods to other problems in physics of heavy-ion collisions.
Abstract（参考訳）: 深層学習の強力な手法である畳み込みニューラルネットワークを用いて,UrQMDモデル内で発生する重イオン衝突現象の状態の方程式を分類する。プロトンのイベントバイイベント逆運動量と方位角分布を用いて分類器を訓練する。 Au+Auイベントの分類の全体的な精度は、$\sqrt{s_{NN}} = 11$ GeVである。異なる衝突エネルギーの事象を学習した分類器の性能について検討した。得られた結果は、重イオン衝突の物理における他の問題に対するDeep Learning法の適用の可能性を示している。

関連論文リスト

Pretrained Event Classification Model for High Energy Physics Analysis [0.6545293330186887]
グラフニューラルネットワークアーキテクチャ上に構築された高エネルギー物理におけるイベント分類の基礎モデルを提案する。 12個の物理過程にまたがる1億2000万個の陽子-陽子衝突現象を訓練した。このモデルは、挑戦的なマルチクラスおよびマルチラベル分類タスクを用いて、衝突データの汎用的で堅牢な表現を学ぶために事前訓練されている。
論文参考訳（メタデータ） (2024-12-14T03:45:07Z)
ELUQuant: Event-Level Uncertainty Quantification in Deep Inelastic Scattering [0.0]
物理事象レベルでの詳細な不確実性定量化(UQ)のための流れを近似した物理インフォームドベイズニューラルネットワーク(BNN)を提案する。 Deep Inelastic Scattering (DIS) イベントに適用すると、我々のモデルはキネティック変数 $x$, $Q2$, $y$ を効果的に抽出する。根底にある不確実性に関するこの詳細な説明は、特にイベントフィルタリングのようなタスクにおいて、意思決定には重要でないことを証明している。
論文参考訳（メタデータ） (2023-10-04T15:50:05Z)
Score-based Data Assimilation [7.215767098253208]
軌道推定のためのスコアベースのデータ同化を導入する。我々は、任意の長さの軌道のスコアを、短いセグメントにまたがって一連のスコアに分解できるというキーインサイトに基づいて、状態軌道のスコアに基づく生成モデルを学ぶ。
論文参考訳（メタデータ） (2023-06-18T14:22:03Z)
Residual Neural Networks for the Prediction of Planetary Collision Outcomes [0.0]
N体惑星形成シミュレーションにおいて,衝突の迅速かつ正確な処理を行う機械学習(ML)モデルを提案する。我々のモデルは、データ生成プロセスの基盤となる物理的プロセスによって動機付けられ、衝突後の状態を柔軟に予測することができる。我々は、MLタスクをマルチタスク回帰問題として定式化し、エンドツーエンドで衝突処理のためのMLモデルの簡易かつ効率的な訓練を可能にする。
論文参考訳（メタデータ） (2022-10-09T12:42:43Z)
Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。ニューラル微分方程式モデルに基づく新しい手法を提案する。我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文参考訳（メタデータ） (2022-07-21T12:11:18Z)
Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。実験結果から,これらの手法が直面する課題を分析した。本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
論文参考訳（メタデータ） (2022-03-23T07:33:37Z)
On the Benefits of Large Learning Rates for Kernel Methods [110.03020563291788]
本稿では,カーネル手法のコンテキストにおいて,現象を正確に特徴付けることができることを示す。分離可能なヒルベルト空間における2次対象の最小化を考慮し、早期停止の場合、学習速度の選択が得られた解のスペクトル分解に影響を及ぼすことを示す。
論文参考訳（メタデータ） (2022-02-28T13:01:04Z)
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)
Stochasticity in Neural ODEs: An Empirical Study [68.8204255655161]
ニューラルネットワークの正規化(ドロップアウトなど)は、より高度な一般化を可能にするディープラーニングの広範な技術である。トレーニング中のデータ拡張は、同じモデルの決定論的およびバージョンの両方のパフォーマンスを向上させることを示す。しかし、データ拡張によって得られる改善により、経験的正規化の利得は完全に排除され、ニューラルODEとニューラルSDEの性能は無視される。
論文参考訳（メタデータ） (2020-02-22T22:12:56Z)
A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文参考訳（メタデータ） (2020-02-21T23:10:50Z)
A meta-algorithm for classification using random recursive tree ensembles: A high energy physics application [0.0]
本研究の目的は,個別のバイナリクラスの存在下での自動分類のためのメタアルゴリズムを提案することである。重なり合うクラスは、両方のクラスに属する高密度の点を持つ特徴空間におけるあいまいな領域の存在によって記述される。提案したアルゴリズムは、実験物理学において最も成功した解析手法の1つである古典的な強化決定木の変種である。
論文参考訳（メタデータ） (2020-01-19T18:22:18Z)

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。