Fugu-MT 論文翻訳(概要): Scalable, End-to-End, Deep-Learning-Based Data Reconstruction Chain for Particle Imaging Detectors

論文の概要: Scalable, End-to-End, Deep-Learning-Based Data Reconstruction Chain for Particle Imaging Detectors

arxiv url: http://arxiv.org/abs/2102.01033v1
Date: Mon, 1 Feb 2021 18:10:00 GMT
ステータス: 処理完了
システム内更新日: 2021-02-02 15:47:19.158124
Title: Scalable, End-to-End, Deep-Learning-Based Data Reconstruction Chain for Particle Imaging Detectors
Title（参考訳）: 粒子イメージング検出器のためのスケーラブル, エンドツーエンド, 深層学習に基づくデータ再構築チェーン
Authors: Francois Drielsma, Kazuhiro Terao, Laura Domin\'e, Dae Heun Koh
Abstract要約: 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。
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: Recent inroads in Computer Vision (CV) and Machine Learning (ML) have motivated a new approach to the analysis of particle imaging detector data. Unlike previous efforts which tackled isolated CV tasks, this paper introduces an end-to-end, ML-based data reconstruction chain for Liquid Argon Time Projection Chambers (LArTPCs), the state-of-the-art in precision imaging at the intensity frontier of neutrino physics. The chain is a multi-task network cascade which combines voxel-level feature extraction using Sparse Convolutional Neural Networks and particle superstructure formation using Graph Neural Networks. Each algorithm incorporates physics-informed inductive biases, while their collective hierarchy is used to enforce a causal structure. The output is a comprehensive description of an event that may be used for high-level physics inference. The chain is end-to-end optimizable, eliminating the need for time-intensive manual software adjustments. It is also the first implementation to handle the unprecedented pile-up of dozens of high energy neutrino interactions, expected in the 3D-imaging LArTPC of the Deep Underground Neutrino Experiment. The chain is trained as a whole and its performance is assessed at each step using an open simulated data set.
Abstract（参考訳）: コンピュータビジョン(CV)と機械学習(ML)の最近の進歩は、粒子イメージング検出器データの分析に新しいアプローチを動機づけています。孤立CVタスクに取り組む従来の取り組みとは違って,ニュートリノ物理の強度フロンティアにおける高精度撮像技術であるLiquid Argon 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導入する。このチェーンは、スパース畳み込みニューラルネットワークを用いたボクセルレベルの特徴抽出とグラフニューラルネットワークを用いた粒子超構造形成を組み合わせたマルチタスクネットワークカスケードである。各アルゴリズムは物理による誘導バイアスを組み込んでおり、その集団階層は因果構造を強制するために使用される。出力は、高レベルの物理推論に使用できるイベントの包括的な説明です。このチェーンはエンドツーエンドで最適化可能であり、時間を要する手動のソフトウェア調整は不要である。また、Deep Underground Neutrino Experimentの3D画像LArTPCで期待される数十の高エネルギーニュートリノ相互作用のこれまでにない蓄積を処理する最初の実装です。チェーン全体がトレーニングされ、そのパフォーマンスはオープンシミュレーションデータセットを使用して各ステップで評価される。

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)
NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文参考訳（メタデータ） (2022-09-29T04:06:00Z)
All-optical graph representation learning using integrated diffractive photonic computing units [51.15389025760809]
フォトニックニューラルネットワークは、電子の代わりに光子を用いて脳にインスパイアされた計算を行う。我々は、DGNN(diffractive graph neural network)と呼ばれる全光グラフ表現学習アーキテクチャを提案する。ベンチマークデータベースを用いたノードおよびグラフレベルの分類タスクにおけるDGNN抽出機能の利用を実演し、優れた性能を実現する。
論文参考訳（メタデータ） (2022-04-23T02:29:48Z)
A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文参考訳（メタデータ） (2021-07-19T23:41:03Z)
PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文参考訳（メタデータ） (2021-03-17T08:28:30Z)
A Quantum Graph Neural Network Approach to Particle Track Reconstruction [1.087475836765689]
本稿では,初期単純化ツリーネットワーク(TTN)モデルの低精度化を克服するために,反復的アプローチによる改良モデルを提案する。我々は、量子コンピューティングの能力を活用して、非常に多くの状態を同時に評価し、それによって、大きなパラメータ空間を効果的に探索することを目指している。
論文参考訳（メタデータ） (2020-07-14T07:25:24Z)
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)
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)
Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-03-04T06:59:56Z)
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)

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。