論文の概要: Particle Cloud Generation with Message Passing Generative Adversarial
Networks
- arxiv url: http://arxiv.org/abs/2106.11535v1
- Date: Tue, 22 Jun 2021 04:21:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-24 00:36:18.714056
- Title: Particle Cloud Generation with Message Passing Generative Adversarial
Networks
- Title（参考訳）: メッセージパッシング・ジェネレーティブ・ディバイザ・ネットワークを用いたパーティクルクラウド生成
- Authors: Raghav Kansal, Javier Duarte, Hao Su, Breno Orzari, Thiago Tomei,
Maurizio Pierini, Mary Touranakou, Jean-Roch Vlimant, Dimitrios Gunopulos
- Abstract要約: 高エネルギー物理学では、ジェットは粒子衝突でユビキタスに生成される相関粒子の集合である。
GAN(Generative Adversarial Network)のような機械学習に基づく生成モデルは、LHCジェットシミュレーションを著しく加速する可能性がある。
我々は新しい粒子クラウドデータセット(JetNet)を導入し、粒子と点クラウドの類似性から、既存の点クラウドGANに適用する。
- 参考スコア（独自算出の注目度）: 14.737885252814273
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In high energy physics (HEP), jets are collections of correlated particles
produced ubiquitously in particle collisions such as those at the CERN Large
Hadron Collider (LHC). Machine-learning-based generative models, such as
generative adversarial networks (GANs), have the potential to significantly
accelerate LHC jet simulations. However, despite jets having a natural
representation as a set of particles in momentum-space, a.k.a. a particle
cloud, to our knowledge there exist no generative models applied to such a
dataset. We introduce a new particle cloud dataset (JetNet), and, due to
similarities between particle and point clouds, apply to it existing point
cloud GANs. Results are evaluated using (1) the 1-Wasserstein distance between
high- and low-level feature distributions, (2) a newly developed Fr\'{e}chet
ParticleNet Distance, and (3) the coverage and (4) minimum matching distance
metrics. Existing GANs are found to be inadequate for physics applications,
hence we develop a new message passing GAN (MPGAN), which outperforms existing
point cloud GANs on virtually every metric and shows promise for use in HEP. We
propose JetNet as a novel point-cloud-style dataset for the machine learning
community to experiment with, and set MPGAN as a benchmark to improve upon for
future generative models.
- Abstract（参考訳）: 高エネルギー物理学 (HEP) では、ジェットはCERN大型ハドロン衝突型加速器 (LHC) のような粒子衝突でユビキタスに発生する相関粒子の集合体である。
generative adversarial networks(gans)のような機械学習に基づく生成モデルは、lhcジェットシミュレーションを著しく加速する可能性がある。
しかし、運動量空間における粒子の集合として自然な表現を持つジェットにもかかわらず、a.a。
粒子雲は、我々の知る限り、そのようなデータセットに適用される生成モデルは存在しない。
我々は、新しいparticle cloud dataset(jetnet)を導入し、particle cloudとpoint cloudの類似性により、既存のpoint cloud gansに適用する。
その結果,(1)高レベル・低レベル特徴分布間の1-wasserstein距離,(2)新しく開発されたfr\'{e}chet粒子ネット距離,(3)カバレッジおよび(4)最小マッチング距離メトリクスを用いて評価した。
既存のganは物理応用に不適当であることが判明したので、我々は、既存のすべてのメトリックで既存のpoint cloud ganよりも優れ、hepでの使用を約束する新しいメッセージパッシングgan(mpgan)を開発しました。
我々は,JetNetを機械学習コミュニティのための新しいポイントクラウド型データセットとして提案し,MPGANを将来の生成モデルの改善のためのベンチマークとして設定する。
関連論文リスト
- DeepTreeGANv2: Iterative Pooling of Point Clouds [0.0]
本稿では,DeepTreeGANの拡張について紹介する。
本稿では,このモデルが複雑な分布を再現できることを示し,JetNet 150データセットの性能評価を行った。
論文 参考訳（メタデータ） (2023-11-24T10:42:11Z) - EPiC-ly Fast Particle Cloud Generation with Flow-Matching and Diffusion [0.7255608805275865]
本稿では,LHCジェットを点雲として効率的に高精度に生成する2つの新しい手法を提案する。
epcjediとepはどちらも、トップクォークのJetNetデータセット上で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-09-29T18:00:03Z) - Patch-Wise Point Cloud Generation: A Divide-and-Conquer Approach [83.05340155068721]
分割・分散アプローチを用いた新しい3dポイントクラウド生成フレームワークを考案する。
すべてのパッチジェネレータは学習可能な事前情報に基づいており、幾何学的プリミティブの情報を取得することを目的としている。
最も人気のあるポイントクラウドデータセットであるShapeNetのさまざまなオブジェクトカテゴリに関する実験結果は、提案したパッチワイドポイントクラウド生成の有効性を示している。
論文 参考訳（メタデータ） (2023-07-22T11:10:39Z) - CaloClouds: Fast Geometry-Independent Highly-Granular Calorimeter
Simulation [0.0]
高粒度検出器における粒子のシャワーのシミュレーションは、粒子物理学への機械学習の適用における重要なフロンティアである。
この研究は、初めて数千の空間点の点雲を3次元空間の検出器で直接生成し、固定格子構造に頼ることなく大きなブレークスルーを成し遂げた。
論文 参考訳（メタデータ） (2023-05-08T16:44:15Z) - StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。
我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
論文 参考訳（メタデータ） (2023-03-28T08:21:44Z) - Controllable Mesh Generation Through Sparse Latent Point Diffusion
Models [105.83595545314334]
メッシュ生成のための新しいスパース潜在点拡散モデルを設計する。
私たちの重要な洞察は、ポイントクラウドをメッシュの中間表現と見なし、代わりにポイントクラウドの分布をモデル化することです。
提案したスパース潜在点拡散モデルにより,生成品質と制御性において優れた性能が得られる。
論文 参考訳（メタデータ） (2023-03-14T14:25:29Z) - EPiC-GAN: Equivariant Point Cloud Generation for Particle Jets [0.0]
EPiC-GAN - 同変点雲生成逆数ネットワーク - を導入し、可変多重性の点雲を生成する。
EPiC-GANは、大規模粒子乗数によく対応し、ベンチマークジェット生成タスクにおける高世代忠実性を実現する。
論文 参考訳（メタデータ） (2023-01-17T19:00:00Z) - 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) - Go with the Flows: Mixtures of Normalizing Flows for Point Cloud
Generation and Reconstruction [98.38585659305325]
正規化フロー(NF)は、3Dポイントクラウドのモデリングにおける最先端のパフォーマンスを示している。
この研究は、点雲にNFの混合物を適用することで、それらの表現力を高める。
論文 参考訳（メタデータ） (2021-06-06T14:25:45Z) - Graph Generative Adversarial Networks for Sparse Data Generation in High
Energy Physics [1.6417409087671928]
CERN Large Hadron Collider (LHC) で生成されたようなスパースデータセットを生成するグラフ生成逆数ネットワークを開発した。
我々は、LHCのような陽子-陽子衝突におけるMNIST手書き桁画像と粒子ジェットのスパース表現を訓練し、生成することで、このアプローチを実証する。
論文 参考訳（メタデータ） (2020-11-30T23:53:45Z) - Generative PointNet: Deep Energy-Based Learning on Unordered Point Sets
for 3D Generation, Reconstruction and Classification [136.57669231704858]
エネルギーモデルを用いて, 点雲などの無秩序点集合の生成モデルを提案する。
我々はこのモデルをジェネレーティブ・ポイントネット(Generative PointNet)と呼んでいる。
論文 参考訳（メタデータ） (2020-04-02T23:08:10Z)
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。