論文の概要: Physics Validation of Novel Convolutional 2D Architectures for Speeding
Up High Energy Physics Simulations
- arxiv url: http://arxiv.org/abs/2105.08960v1
- Date: Wed, 19 May 2021 07:24:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-20 18:54:05.224961
- Title: Physics Validation of Novel Convolutional 2D Architectures for Speeding
Up High Energy Physics Simulations
- Title（参考訳）: 高エネルギー物理シミュレーションを高速化する新しい畳み込み2次元アーキテクチャの物理検証
- Authors: Florian Rehm, Sofia Vallecorsa, Kerstin Borras, Dirk Kr\"ucker
- Abstract要約: 本稿では,GAN(Geneversarative Adrial Networks)をディープラーニング技術として応用し,温度計検出器シミュレーションを代替する。
我々は,同じ3次元画像生成問題を高速に解くために,新しい2次元畳み込みネットワークを開発した。
その結果,物理精度が向上し,高速検出器シミュレーションにおけるGANの利用がさらに強化された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The precise simulation of particle transport through detectors remains a key
element for the successful interpretation of high energy physics results.
However, Monte Carlo based simulation is extremely demanding in terms of
computing resources. This challenge motivates investigations of faster,
alternative approaches for replacing the standard Monte Carlo approach.
We apply Generative Adversarial Networks (GANs), a deep learning technique,
to replace the calorimeter detector simulations and speeding up the simulation
time by orders of magnitude. We follow a previous approach which used
three-dimensional convolutional neural networks and develop new two-dimensional
convolutional networks to solve the same 3D image generation problem faster.
Additionally, we increased the number of parameters and the neural networks
representational power, obtaining a higher accuracy. We compare our best
convolutional 2D neural network architecture and evaluate it versus the
previous 3D architecture and Geant4 data. Our results demonstrate a high
physics accuracy and further consolidate the use of GANs for fast detector
simulations.
- Abstract（参考訳）: 検出器による粒子輸送の正確なシミュレーションは、高エネルギー物理学結果の解釈に成功するための重要な要素である。
しかし、モンテカルロのシミュレーションは計算資源の面で非常に要求されている。
この課題は、モンテカルロの標準的なアプローチを置き換えるためのより高速で代替的なアプローチの調査を動機付けている。
本稿では,GAN(Generative Adversarial Networks, GAN)を用いて, 温度計検出器のシミュレーションを置き換え, シミュレーション時間を桁違いに高速化する。
我々は,3次元畳み込みニューラルネットワークを用いて,同じ3次元画像生成問題を高速に解くための新しい2次元畳み込みネットワークを開発した。
さらに,パラメータ数とニューラルネットワーク表現力を増加させ,高い精度を得ることができた。
我々は、最も優れた畳み込み2Dニューラルネットワークアーキテクチャを比較し、以前の3DアーキテクチャとGeant4データと比較した。
その結果,物理精度が向上し,高速検出器シミュレーションにおけるGANの利用がさらに強化された。
関連論文リスト
- Transformer neural networks and quantum simulators: a hybrid approach for simulating strongly correlated systems [1.6494451064539348]
本稿では、数値データや実験データによるデータ駆動事前学習と、ハミルトン駆動最適化の第2段階を含む、ニューラル量子状態(NQS)のハイブリッド最適化手法を提案する。
我々の研究は、ニューラル量子状態の信頼性と効率的な最適化の道を開いた。
論文 参考訳（メタデータ） (2024-05-31T17:55:27Z) - EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes [55.2480439325792]
実時間電磁伝搬のための新しい機械学習手法(EM-GANSim)を提案する。
実際には、3D屋内環境のあらゆる場所で数ミリ秒で信号強度を計算することができる。
論文 参考訳（メタデータ） (2024-05-27T17:19:02Z) - Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳（メタデータ） (2024-01-19T21:50:32Z) - Efficient Physics-Based Learned Reconstruction Methods for Real-Time 3D
Near-Field MIMO Radar Imaging [0.0]
近距離場多重出力多重出力レーダイメージングシステム(MIMO)は近年注目されている。
本稿では,リアルタイム近接場イメージングのための非定位深層学習に基づく新しい再構成手法を提案する。
ゴールは、設定時の計算コストを低くして、高画質を実現することである。
論文 参考訳（メタデータ） (2023-12-28T11:05:36Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - Machine Learning methods for simulating particle response in the Zero
Degree Calorimeter at the ALICE experiment, CERN [8.980453507536017]
現在、CERN GRIDの計算能力の半分以上が高エネルギー物理シミュレーションに使われている。
大型ハドロン衝突型加速器(LHC)の最新情報により、より効率的なシミュレーション手法の開発の必要性が高まっている。
機械学習を利用した問題に対する代替手法を提案する。
論文 参考訳（メタデータ） (2023-06-23T16:45:46Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳（メタデータ） (2023-05-01T23:20:27Z) - Convolution, aggregation and attention based deep neural networks for
accelerating simulations in mechanics [1.0154623955833253]
固体の変形を効率的に学習するための3種類のニューラルネットワークアーキテクチャを実証する。
最初の2つは、最近提案されたCNN U-NETとMagNETフレームワークに基づいており、メッシュベースのデータで学習する上で有望なパフォーマンスを示している。
第3のアーキテクチャであるPerceiver IOは、注目に基づくニューラルネットワークのファミリに属する、非常に最近のアーキテクチャである。
論文 参考訳（メタデータ） (2022-12-01T13:10:56Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳（メタデータ） (2022-07-18T06:01:29Z) - SpikiLi: A Spiking Simulation of LiDAR based Real-time Object Detection
for Autonomous Driving [0.0]
Spiking Neural Networksは、電力効率、計算効率、処理遅延を大幅に改善する新しいニューラルネットワーク設計アプローチである。
まず,複雑なディープラーニングタスク,すなわちLidarベースの3Dオブジェクト検出による自動運転への適用性について説明する。
論文 参考訳（メタデータ） (2022-06-06T20:05:17Z) - Learning A 3D-CNN and Transformer Prior for Hyperspectral Image
Super-Resolution [80.93870349019332]
本稿では,CNN の代わりに Transformer を用いて HSI の事前学習を行う新しい HSISR 手法を提案する。
具体的には、まず勾配アルゴリズムを用いてHSISRモデルを解き、次に展開ネットワークを用いて反復解過程をシミュレートする。
論文 参考訳（メタデータ） (2021-11-27T15:38:57Z)
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。