論文の概要: KamNet: An Integrated Spatiotemporal Deep Neural Network for Rare Event
Search in KamLAND-Zen
- arxiv url: http://arxiv.org/abs/2203.01870v1
- Date: Thu, 3 Mar 2022 17:27:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-04 16:40:04.627226
- Title: KamNet: An Integrated Spatiotemporal Deep Neural Network for Rare Event
Search in KamLAND-Zen
- Title（参考訳）: KamNet: KamLAND-Zenにおけるレアイベント検索のための統合時空間深部ニューラルネットワーク
- Authors: Aobo Li, Zhenghao Fu, Lindley A. Winslow, Christopher P. Grant, Hasung
Song, Hideyoshi Ozaki, Itaru Shimizu, Atsuto Takeuchi
- Abstract要約: KamNetは、キロトン規模のシンチレータ検出器であるKamLAND-Zenの物理学的到達度を最大化するためにディープラーニングを利用する。
我々は,MCシミュレーションのベンチマークにおいて,KamNetが従来のCNNより優れていることを示す。
この研究の重要な要素は、背景の拒絶のためにKamNetが使用している物理を解明するための注意機構の追加である。
- 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: Rare event searches allow us to search for new physics at energy scales
inaccessible with other means by leveraging specialized large-mass detectors.
Machine learning provides a new tool to maximize the information provided by
these detectors. The information is sparse, which forces these algorithms to
start from the lowest level data and exploit all symmetries in the detector to
produce results. In this work we present KamNet which harnesses breakthroughs
in geometric deep learning and spatiotemporal data analysis to maximize the
physics reach of KamLAND-Zen, a kiloton scale spherical liquid scintillator
detector searching for neutrinoless double beta decay ($0\nu\beta\beta$). Using
a simplified background model for KamLAND we show that KamNet outperforms a
conventional CNN on benchmarking MC simulations with an increasing level of
robustness. Using simulated data, we then demonstrate KamNet's ability to
increase KamLAND-Zen's sensitivity to $0\nu\beta\beta$ and $0\nu\beta\beta$ to
excited states. A key component of this work is the addition of an attention
mechanism to elucidate the underlying physics KamNet is using for the
background rejection.
- Abstract（参考訳）: 希少な事象探索により、他の方法でアクセスできないエネルギースケールで新しい物理を探すことができる。
機械学習は、これらの検出器が提供する情報を最大化する新しいツールを提供する。
情報はスパースであり、このアルゴリズムは最低レベルのデータから始め、検出器内のすべての対称性を利用して結果を生成する。
本研究では,幾何学的深層学習と時空間データ解析のブレークスルーを活かし,ニュートリノのない二重ベータ崩壊を探索するキロトンスケールの球状液体シンチレータ検出器であるkamland-zenの物理学的到達範囲を最大化するために,kamnetを提案する。
KamLANDの簡易な背景モデルを用いて、KamNetはMCシミュレーションのベンチマークにおいて従来のCNNよりも高いロバスト性を持つことを示す。
シミュレーションデータを用いて、KamNetがKamLAND-Zenの感度を$0\nu\beta\beta$と$0\nu\beta\beta$にアップする能力を実証する。
この研究の重要な要素は、背景の拒絶のためにKamNetが使用している物理を解明するための注意機構の追加である。
関連論文リスト
- Object Detection in Thermal Images Using Deep Learning for Unmanned
Aerial Vehicles [0.9208007322096533]
本研究は,無人航空機が収集した熱画像中の微小物体と微小物体を認識可能なニューラルネットワークモデルを提案する。
背骨はYOLOv5の構造に基づいて開発され、最後にトランスフォーマーエンコーダが使用される。
ネックは、スライドウインドウと変圧器とを組み合わせたBI−FPNブロックを備え、予測ヘッドに入力された情報を増加させる。
論文 参考訳（メタデータ） (2024-02-13T06:40:55Z) - Generative Models for Simulation of KamLAND-Zen [0.0]
ニュートリノのない二重ベータ崩壊(0nubetabeta)の探索はニュートリノの性質に関する深い疑問に答える。
発見を主張するには、0nubetabetaを模倣する検出器イベントの正確かつ効率的なシミュレーションが重要である。
伝統的なモンテカルロシミュレーションは機械学習に基づく生成モデルによって補うことができる。
論文 参考訳（メタデータ） (2023-12-22T01:47:16Z) - EV-Catcher: High-Speed Object Catching Using Low-latency Event-based
Neural Networks [107.62975594230687]
イベントカメラが優れており、高速移動物体の衝突位置を正確に推定するアプリケーションを実証する。
イベントデータを低レイテンシでエンコードするために,Binary Event History Image(BEHI)と呼ばれる軽量なイベント表現を導入する。
計算制約のある組込みプラットフォーム上でも最大13m/sの速さで, 異なる場所をターゲットとした球のキャッチにおいて, 81%の成功率を達成することができることを示す。
論文 参考訳（メタデータ） (2023-04-14T15:23:28Z) - Neural network enhanced measurement efficiency for molecular
groundstates [63.36515347329037]
いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。
ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
論文 参考訳（メタデータ） (2022-06-30T17:45:05Z) - Object Detection with Spiking Neural Networks on Automotive Event Data [0.0]
我々は、イベントカメラから直接スパイキングニューラルネットワーク(SNN)を訓練し、高速で効率的な自動車組込みアプリケーションを設計することを提案する。
本稿では,2つの自動車イベントデータセットの実験を行い,スパイクニューラルネットワークのための最先端の分類結果を確立した。
論文 参考訳（メタデータ） (2022-05-09T14:39:47Z) - 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) - Towards a method to anticipate dark matter signals with deep learning at
the LHC [58.720142291102135]
ニューラルネットワークを用いた簡易暗黒物質モデルとそのシグネチャをLHCで検討した。
通常のモノジェットと逆エネルギーチャネルの欠如に焦点を当てるが、アルゴリズムを訓練するためには、イベント・バイ・イベント・アレーの代わりに2Dヒストグラムでデータを整理する。
これにより、標準モデル(SM)のみとSMと新しい物理信号とを区別する性能が大きく向上する。
論文 参考訳（メタデータ） (2021-05-25T15:38:13Z) - Scalable, End-to-End, Deep-Learning-Based Data Reconstruction Chain for
Particle Imaging Detectors [0.0]
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。
論文 参考訳（メタデータ） (2021-02-01T18:10:00Z) - DS-Net: Dynamic Spatiotemporal Network for Video Salient Object
Detection [78.04869214450963]
時間情報と空間情報のより効果的な融合のための新しい動的時空間ネットワーク(DSNet)を提案する。
提案手法は最先端アルゴリズムよりも優れた性能が得られることを示す。
論文 参考訳（メタデータ） (2020-12-09T06:42:30Z) - Scaling the training of particle classification on simulated MicroBooNE
events to multiple GPUs [0.16777183511743468]
本稿では,複数のノードにまたがる複数のアーキテクチャ上でのLArTPC分類問題のスケーリングについて検討する。
我々の知る限り、これは粒子物理学における最先端の畳み込みニューラルネットワークの最初の使用である。
我々は,特に深部地下ニュートリノ実験(DUNE)のLArTPCプログラムの利点を期待する。
論文 参考訳（メタデータ） (2020-04-17T20:21:27Z) - NETNet: Neighbor Erasing and Transferring Network for Better Single Shot
Object Detection [170.30694322460045]
我々は、ピラミッドの特徴を再設定し、スケールアウェアな特徴を探索する新しいNeighbor Erasing and Transferring(NET)メカニズムを提案する。
NETNetと呼ばれるシングルショットネットワークは、スケールアウェアなオブジェクト検出のために構築されている。
論文 参考訳（メタデータ） (2020-01-18T15:21:29Z)
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。