論文の概要: Simulating the Time Projection Chamber responses at the MPD detector using Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2012.04595v1
• Date: Tue, 8 Dec 2020 17:57:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 20:42:38.323748
• Title: Simulating the Time Projection Chamber responses at the MPD detector using Generative Adversarial Networks
• Title（参考訳）: 生成逆ネットワークを用いたmpd検出器の時間投影室応答のシミュレーション
• Authors: A. Maevskiy, F. Ratnikov, A. Zinchenko and V. Riabov
• Abstract要約: 本研究では、NICA加速器複合体におけるMPD実験のTime Projection Chamberトラッカーのシミュレーションを高速化するための新しいアプローチを実証する。 本手法は,任意の対象の集団分布を暗黙的に非パラメトリックに推定する深層学習手法である,生成型アドレアルネットワークに基づいている。 提案モデルの品質を評価するために,mpdソフトウェアスタックに統合し,詳細なシミュレータと同様の高品質なイベントを生成することを実証する。
• 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: High energy physics experiments rely heavily on the detailed detector simulation models in many tasks. Running these detailed models typically requires a notable amount of the computing time available to the experiments. In this work, we demonstrate a novel approach to speed up the simulation of the Time Projection Chamber tracker of the MPD experiment at the NICA accelerator complex. Our method is based on a Generative Adversarial Network - a deep learning technique allowing for implicit non-parametric estimation of the population distribution for a given set of objects. This approach lets us learn and then sample from the distribution of raw detector responses, conditioned on the parameters of the charged particle tracks. To evaluate the quality of the proposed model, we integrate it into the MPD software stack and demonstrate that it produces high-quality events similar to the detailed simulator, with a speed-up of at least an order of magnitude.
• Abstract（参考訳）: 高エネルギー物理実験は、多くのタスクにおいて詳細な検出器シミュレーションモデルに大きく依存している。 これらの詳細なモデルを実行するには、実験で利用可能な計算時間の顕著な量が必要となる。 本研究では,ニカ加速器におけるmpd実験の時間投影室トラッカのシミュレーションを高速化する新しい手法を提案する。 本手法は,特定の対象の集団分布を暗黙的に非パラメトリックに推定する深層学習手法であるジェネレーティブ・アドバーサリー・ネットワークに基づいている。 このアプローチにより、荷電粒子軌道のパラメータに基づいて、生検出器応答の分布から学習し、サンプル化することができる。 提案モデルの品質を評価するために,mpdソフトウェアスタックに統合し,少なくとも1桁のスピードアップで,詳細なシミュレータと同様の高品質なイベントを生成することを実証する。

関連論文リスト

• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• 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)
• Deep Generative Models for Ultra-High Granularity Particle Physics Detector Simulation: A Voyage From Emulation to Extrapolation [0.0]
  この論文は、ベルIIの実験でPixel Vertex Detector (PXD)のこの課題を克服することを目的としている。 本研究は、粒子物理学における超高粒度検出器シミュレーションに深部生成モデルを用いた結果について初めて紹介する。
  論文  参考訳（メタデータ） (2024-03-05T23:12:47Z)
• 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)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• Generative Adversarial Networks for the fast simulation of the Time Projection Chamber responses at the MPD detector [0.0]
  このような高速シミュレーションモデルの基礎として,GAN(Generative Adversarial Networks)の適用性を示す。 我々のプロトタイプであるGANベースのTPCモデルは、詳細なシミュレーションに比べて桁違いに高速に動作します。
  論文  参考訳（メタデータ） (2022-03-30T14:31:50Z)
• 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)
• Deep Transformer Networks for Time Series Classification: The NPP Safety Case [59.20947681019466]
  時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。 トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
  論文  参考訳（メタデータ） (2021-04-09T14:26:25Z)
• Fast and differentiable simulation of driven quantum systems [58.720142291102135]
  我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。 回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
  論文  参考訳（メタデータ） (2020-12-16T21:43:38Z)
• 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。