Fugu-MT 論文翻訳(概要): Deep Learning strategies for ProtoDUNE raw data denoising

論文の概要: Deep Learning strategies for ProtoDUNE raw data denoising

arxiv url: http://arxiv.org/abs/2103.01596v1
Date: Tue, 2 Mar 2021 09:42:33 GMT
ステータス: 処理完了
システム内更新日: 2021-03-03 16:51:20.357756
Title: Deep Learning strategies for ProtoDUNE raw data denoising
Title（参考訳）: ProtoDUNE生データ復調のためのディープラーニング戦略
Authors: Marco Rossi, Sofia Vallecorsa
Abstract要約: ProtoDUNE検出器はCERNがホストしており、物理学におけるニュートリノ実験であるDUNEの技術のテストと校正を目的としている。私たちのモデルは、ディープラーニングアルゴリズムを活用して、再構築作業チェーンの最初のステップを作ります。 DUNEコラボレーションによって実装された従来のアルゴリズムに対して、このアプローチをベンチマークします。
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: In this work we investigate different machine learning based strategies for denoising raw simulation data from ProtoDUNE experiment. ProtoDUNE detector is hosted by CERN and it aims to test and calibrate the technologies for DUNE, a forthcoming experiment in neutrino physics. Our models leverage deep learning algorithms to make the first step in the reconstruction workchain, which consists in converting digital detector signals into physical high level quantities. We benchmark this approach against traditional algorithms implemented by the DUNE collaboration. We test the capabilities of graph neural networks, while exploiting multi-GPU setups to accelerate training and inference processes.
Abstract（参考訳）: 本研究では、ProtoDUNE実験から生のシミュレーションデータを消すためのさまざまな機械学習ベースの戦略を検討する。 ProtoDUNE検出器はCERNによってホストされ、ニュートリノ物理学の実験であるDUNEの技術のテストと校正を目的としている。私たちのモデルは、ディープラーニングアルゴリズムを活用して、デジタル検出器信号を物理的高レベルな量に変換することからなる再構築作業チェーンの最初のステップを作ります。 DUNEコラボレーションによって実装された従来のアルゴリズムに対して、このアプローチをベンチマークします。グラフニューラルネットワークの能力をテストしながら、マルチGPUセットアップを活用してトレーニングと推論プロセスを加速します。

関連論文リスト

Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
論文参考訳（メタデータ） (2024-11-07T14:08:35Z)
Towards Model Discovery Using Domain Decomposition and PINNs [44.99833362998488]
物理インフォームドニューラルネットワーク(PINN)と有限基底物理インフォームドニューラルネットワーク(FBPINN)の2つの手法の性能評価を行った。バニラPINN法と比較して,準定常時間領域のみのデータがほとんどない場合であっても,FBPINN法の方が優れた性能を示す。
論文参考訳（メタデータ） (2024-10-02T14:38:37Z)
Multi-frequency Neural Born Iterative Method for Solving 2-D Inverse Scattering Problems [3.171666227612361]
多周波電磁逆散乱問題(ISP)に対処する深層学習に基づくイメージング手法を提案する。深層学習技術とEM物理法則を組み合わせることで,多周波ニューラルボルン反復法(Neural BIM)の開発に成功した。多周波ニューラルBIMの有効性は、ISPを解くための精度と計算効率の向上を実証し、合成および実験データを通して検証する。
論文参考訳（メタデータ） (2024-09-02T15:16:07Z)
Label-free timing analysis of SiPM-based modularized detectors with physics-constrained deep learning [9.234802409391111]
モジュール化検出器のタイミング解析のためのディープラーニングに基づく新しい手法を提案する。本稿では,提案手法が求める最適関数の存在を数学的に証明し,モデルのトレーニングと校正のための体系的アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-04-24T09:16:31Z)
Output Feedback Tube MPC-Guided Data Augmentation for Robust, Efficient Sensorimotor Policy Learning [49.05174527668836]
シミュレーション学習(IL)は、計算コストのかかるモデルベースセンシングと制御アルゴリズムによって提供されるデモから、計算効率のよいセンセータポリシーを生成することができる。本研究では,ILと出力フィードバック頑健な管モデル予測コントローラを組み合わせることで,実演とデータ拡張戦略を併用し,ニューラルネットワークに基づくセンサモジュレータポリシーを効率的に学習する。提案手法は,従来のIL法と比較して,実演効率が2桁向上した1つの実演から,ロバストなビズモータポリシーを学習できることを数値的に示す。
論文参考訳（メタデータ） (2022-10-18T19:59:17Z)
Neural ODEs with Irregular and Noisy Data [8.349349605334316]
ノイズや不規則なサンプル測定を用いて微分方程式を学習する手法について議論する。我々の方法論では、ディープニューラルネットワークとニューラル常微分方程式(ODE)アプローチの統合において、大きな革新が見られる。ベクトル場を記述するモデルを学習するためのフレームワークは,雑音測定において非常に効果的である。
論文参考訳（メタデータ） (2022-05-19T11:24:41Z)
A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
論文参考訳（メタデータ） (2021-04-19T14:43:07Z)
Learning temporal data with variational quantum recurrent neural network [0.5658123802733283]
パラメタライズド量子回路を用いて時間データを学習する手法を提案する。この研究は、時間データの学習に複雑な量子力学を利用する方法を提供する。
論文参考訳（メタデータ） (2020-12-21T10:47:28Z)
Neural network quantum state tomography in a two-qubit experiment [52.77024349608834]
機械学習にインスパイアされた変分法は、量子シミュレータのスケーラブルな状態キャラクタリゼーションへの有望な経路を提供する。本研究では,2ビットの絡み合った状態を生成する実験から得られた測定データに適用することにより,いくつかの手法をベンチマークし比較する。実験的な不完全性やノイズの存在下では、変動多様体を物理状態に収束させることで、再構成された状態の質が大幅に向上することがわかった。
論文参考訳（メタデータ） (2020-07-31T17:25:12Z)
Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文参考訳（メタデータ） (2020-03-26T11:13:07Z)
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。