論文の概要: Clustering of Electromagnetic Showers and Particle Interactions with
Graph Neural Networks in Liquid Argon Time Projection Chambers Data
- arxiv url: http://arxiv.org/abs/2007.01335v3
- Date: Tue, 15 Dec 2020 04:42:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 14:46:13.923961
- Title: Clustering of Electromagnetic Showers and Particle Interactions with
Graph Neural Networks in Liquid Argon Time Projection Chambers Data
- Title（参考訳）: 液体アルゴン時間射影チャンバーデータにおける電磁ショーラのクラスタリングとグラフニューラルネットワークとの粒子相互作用
- Authors: Francois Drielsma, Qing Lin, Pierre C\^ote de Soux, Laura Domin\'e,
Ran Itay, Dae Heun Koh, Bradley J. Nelson, Kazuhiro Terao, Ka Vang Tsang,
Tracy L. Usher
- Abstract要約: 液体アルゴン時間射影チャンバー(Liquid Argon Time Projection Chambers、LArTPC)は、荷電粒子の高解像度画像を生成する検出器である。
異なる粒子の超構造へのクラスター化は、現在と将来のニュートリノ物理学計画において中心的な重要性を持つ。
本稿ではグラフニューラルネットワーク(GNN)を用いて,EMシャワーフラグメントの隣接行列を予測し,シャワーの発生源を同定する。
- 参考スコア（独自算出の注目度）: 4.653747487703939
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Liquid Argon Time Projection Chambers (LArTPCs) are a class of detectors that
produce high resolution images of charged particles within their sensitive
volume. In these images, the clustering of distinct particles into
superstructures is of central importance to the current and future neutrino
physics program. Electromagnetic (EM) activity typically exhibits spatially
detached fragments of varying morphology and orientation that are challenging
to efficiently assemble using traditional algorithms. Similarly, particles that
are spatially removed from each other in the detector may originate from a
common interaction. Graph Neural Networks (GNNs) were developed in recent years
to find correlations between objects embedded in an arbitrary space. The Graph
Particle Aggregator (GrapPA) first leverages GNNs to predict the adjacency
matrix of EM shower fragments and to identify the origin of showers, i.e.
primary fragments. On the PILArNet public LArTPC simulation dataset, the
algorithm achieves achieves a shower clustering accuracy characterized by a
mean adjusted Rand index (ARI) of 97.8 % and a primary identification accuracy
of 99.8 %. It yields a relative shower energy resolution of $(4.1+1.4/\sqrt{E
(\text{GeV})})\,\%$ and a shower direction resolution of
$(2.1/\sqrt{E(\text{GeV})})^{\circ}$. The optimized algorithm is then applied
to the related task of clustering particle instances into interactions and
yields a mean ARI of 99.2 % for an interaction density of
$\sim\mathcal{O}(1)\,m^{-3}$.
- Abstract（参考訳）: 液体アルゴン時間射影チャンバー(Liquid Argon Time Projection Chambers、LArTPC)は、荷電粒子の高解像度画像を生成する検出器である。
これらの画像では、異なる粒子の超構造へのクラスタリングが、現在と将来のニュートリノ物理学プログラムの中心的な重要性である。
電磁活動(EM)は、通常、伝統的なアルゴリズムを用いて効率的に組み立てることが難しい様々な形態と方向の空間的に分離された断片を示す。
同様に、検出器内で互いに空間的に除去される粒子は、共通の相互作用から生じる可能性がある。
グラフニューラルネットワーク(GNN)は近年,任意の空間に埋め込まれたオブジェクト間の相関関係を見つけるために開発された。
Graph Particle Aggregator (GrapPA)は、まずGNNを活用して、EMシャワーフラグメントの隣接行列を予測し、シャワーの起源、すなわち一次フラグメントを識別する。
PILArNet公開LArTPCシミュレーションデータセットでは、平均調整されたRand index(ARI)97.8%、一次識別精度99.8%を特徴とするシャワークラスタリング精度を達成する。
相対シャワーエネルギー分解能は$(4.1+1.4/\sqrt{E(\text{GeV})})\,\%$およびシャワー方向分解能は$(2.1/\sqrt{E(\text{GeV})})^{\circ}$である。
最適化されたアルゴリズムは、粒子インスタンスを相互作用にクラスタリングする関連するタスクに適用され、相互作用密度が$\sim\mathcal{O}(1)\,m^{-3}$の平均ARIは99.2 %となる。
関連論文リスト
- NuGraph2: A Graph Neural Network for Neutrino Physics Event Reconstruction [0.3088816319960295]
本稿では、LArTPC検出器におけるシミュレーションニュートリノ相互作用の低レベル再構成のためのグラフニューラルネットワーク(GNN)であるNuGraph2について述べる。
このネットワークは、複数の2D表現にまたがる検出器オブザーバブルを直接運用するが、これらの表現間の一貫性を促進するために3Dコンテキスト認識機構を利用する。
論文 参考訳（メタデータ） (2024-03-18T15:26:05Z) - Interpretable Joint Event-Particle Reconstruction for Neutrino Physics
at NOvA with Sparse CNNs and Transformers [124.29621071934693]
本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。
TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。
このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
論文 参考訳（メタデータ） (2023-03-10T20:36:23Z) - Transformer with Implicit Edges for Particle-based Physics Simulation [135.77656965678196]
Implicit Edges (TIE) を用いたトランスフォーマーは、素粒子相互作用のリッチなセマンティクスをエッジフリーでキャプチャする。
様々な複雑さと素材の多様な領域におけるモデルの評価を行った。
論文 参考訳（メタデータ） (2022-07-22T03:45:29Z) - Fast Simulation of Particulate Suspensions Enabled by Graph Neural
Network [21.266813711114153]
我々は、ストークス懸濁液中の粒子の力学を推論し、予測するための新しい枠組み、流体力学的相互作用グラフニューラルネットワーク(HIGNN)を導入する。
これは計算効率、精度、および/または転送可能性における従来のアプローチの限界を克服する。
提案するHIGNNフレームワークの精度,効率,転送性について,多種多様なシステムで検証した。
論文 参考訳（メタデータ） (2022-06-17T14:05:53Z) - Density-Based Clustering with Kernel Diffusion [59.4179549482505]
単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。
局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
論文 参考訳（メタデータ） (2021-10-11T09:00:33Z) - Structure-aware Interactive Graph Neural Networks for the Prediction of
Protein-Ligand Binding Affinity [52.67037774136973]
薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。
近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。
ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
論文 参考訳（メタデータ） (2021-07-21T03:34:09Z) - Segmentation of EM showers for neutrino experiments with deep graph
neural networks [3.330229314824913]
電磁(EM)サンプリング熱量計で収集したデータからシャワーを復元する新しい手法を提案する。
本研究では、多数の粒子が雲室(ECC)のレンガを通過し、電磁シャワーが発生する場合について考察する。
本手法では, 入射粒子に関する情報は使用せず, エマルション検出器内の電磁シャワーの最大82%を同定する。
論文 参考訳（メタデータ） (2021-04-05T17:45:21Z) - Scalable Graph Networks for Particle Simulations [1.933681537640272]
完全に接続された相互作用グラフを階層的なグラフに変換するアプローチを導入する。
このアプローチを用いることで、単一のGPU上でも、はるかに大きなパーティクル数でモデルをトレーニングすることが可能になります。
提案手法は, 大規模重力N体シミュレーションにおいても高い精度と効率を保っている。
論文 参考訳（メタデータ） (2020-10-14T10:54:54Z) - 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) - Scalable, Proposal-free Instance Segmentation Network for 3D Pixel
Clustering and Particle Trajectory Reconstruction in Liquid Argon Time
Projection Chambers [2.5576696189824912]
液体アルゴン時間射影チャンバー(Liquid Argon Time Projection Chambers、LArTPC)は、高分解能粒子イメージング検出器である。
スパース畳み込みニューラルネットワーク(SCNN)を用いたLArTPCデータにおける粒子クラスタリングのための最初のスケーラブルなディープラーニングアルゴリズムを提案する。
我々は,公開3次元粒子画像データセットであるPILArNetのアルゴリズムの性能をベンチマークした。
論文 参考訳（メタデータ） (2020-07-06T21:37:28Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。