論文の概要: Generative Adversarial Networks for the fast simulation of the Time
Projection Chamber responses at the MPD detector
- arxiv url: http://arxiv.org/abs/2203.16355v1
- Date: Wed, 30 Mar 2022 14:31:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-31 16:21:18.864343
- Title: Generative Adversarial Networks for the fast simulation of the Time
Projection Chamber responses at the MPD detector
- Title(参考訳): mpd検出器における時間投影室応答の高速シミュレーションのための生成逆ネットワーク
- Authors: A. Maevskiy, F. Ratnikov, A. Zinchenko, V. Riabov, A. Sukhorosov and
D. Evdokimov
- Abstract要約: このような高速シミュレーションモデルの基礎として,GAN(Generative Adversarial Networks)の適用性を示す。
我々のプロトタイプであるGANベースのTPCモデルは、詳細なシミュレーションに比べて桁違いに高速に動作します。
- 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: The detailed detector simulation models are vital for the successful
operation of modern high-energy physics experiments. In most cases, such
detailed models require a significant amount of computing resources to run.
Often this may not be afforded and less resource-intensive approaches are
desired. In this work, we demonstrate the applicability of Generative
Adversarial Networks (GAN) as the basis for such fast-simulation models for the
case of the Time Projection Chamber (TPC) at the MPD detector at the NICA
accelerator complex. Our prototype GAN-based model of TPC works more than an
order of magnitude faster compared to the detailed simulation without any
noticeable drop in the quality of the high-level reconstruction characteristics
for the generated data. Approaches with direct and indirect quality metrics
optimization are compared.
- Abstract(参考訳): 詳細な検出器シミュレーションモデルは、現代の高エネルギー物理実験の成功に不可欠である。
ほとんどの場合、このような詳細なモデルは大量の計算リソースを必要とする。
多くの場合、これは余裕がなく、リソース集約的なアプローチが望まれる。
本研究では,ニカ加速器のmpd検出器における時間投影室(tpc)の場合,そのような高速シミュレーションモデルの基礎としてgan(generative adversarial networks)の適用性を示す。
試作したtpcのganベースモデルは,生成されたデータに対する高レベル復元特性の質を低下させることなく,詳細なシミュレーションよりも1桁以上高速に動作する。
直接的および間接的な品質指標最適化のアプローチを比較する。
関連論文リスト
- Learning to Simulate: Generative Metamodeling via Quantile Regression [2.2518304637809714]
我々は「シミュレーターの高速シミュレータ」を構築することを目的とした、生成メタモデリングと呼ばれる新しいメタモデリング概念を提案する。
一度構築すると、生成メタモデルは入力が特定されるとすぐに大量のランダム出力を生成することができる。
本稿では,QRGMM(quantile-regression-based generative metamodeling)という新しいアルゴリズムを提案し,その収束率と収束率について検討する。
論文 参考訳(メタデータ) (2023-11-29T16:46:24Z) - Generative Modeling with Phase Stochastic Bridges [52.919600985186996]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。
我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。
我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文 参考訳(メタデータ) (2023-10-11T18:38:28Z) - Latent Representation and Simulation of Markov Processes via Time-Lagged
Information Bottleneck [11.998105609001913]
複雑なシステムを単純化された表現空間にマッピングし、時間内に大きなジャンプをモデル化する推論プロセスを導入する。
実験により,T-IBは情報最適表現を学習し,選択した時間ラグで元のプロセスの統計特性と力学を正確にモデル化することを示した。
論文 参考訳(メタデータ) (2023-09-13T15:59:14Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳(メタデータ) (2023-01-05T13:59:29Z) - Real-time Neural-MPC: Deep Learning Model Predictive Control for
Quadrotors and Agile Robotic Platforms [59.03426963238452]
モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。
ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
論文 参考訳(メタデータ) (2022-03-15T09:38:15Z) - Data-driven Small-signal Modeling for Converter-based Power Systems [7.501426386641255]
本稿では,コンバータを用いた電力系統の研究に有用な,データ駆動型小型信号ベースモデルを導出するための完全な手順を詳述する。
モデルを計算するために、単一DTとアンサンブルDTとスプライン回帰の両方を用いて決定木回帰(DT)を用いた。
モデルの適用可能性について論じ、さらなる電力系統小信号関連研究において、開発モデルの可能性を強調した。
論文 参考訳(メタデータ) (2021-08-30T08:10:45Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - Simulating the Time Projection Chamber responses at the MPD detector
using Generative Adversarial Networks [0.0]
本研究では、NICA加速器複合体におけるMPD実験のTime Projection Chamberトラッカーのシミュレーションを高速化するための新しいアプローチを実証する。
本手法は,任意の対象の集団分布を暗黙的に非パラメトリックに推定する深層学習手法である,生成型アドレアルネットワークに基づいている。
提案モデルの品質を評価するために,mpdソフトウェアスタックに統合し,詳細なシミュレータと同様の高品質なイベントを生成することを実証する。
論文 参考訳(メタデータ) (2020-12-08T17:57:37Z) - Data Augmentation at the LHC through Analysis-specific Fast Simulation
with Deep Learning [4.666011151359189]
本稿では,大規模解析用データセットを作成するために設計されたディープニューラルネットワークに基づく高速シミュレーションアプリケーションを提案する。
本稿では,大量のジェネレータレベルのイベントから始まる高速シミュレーションワークフローを提案する。
論文 参考訳(メタデータ) (2020-10-05T07:48:45Z) - A Generative Learning Approach for Spatio-temporal Modeling in Connected
Vehicular Network [55.852401381113786]
本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。
LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。
特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
論文 参考訳(メタデータ) (2020-03-16T03:43:59Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳(メタデータ) (2020-03-04T00:44:57Z)
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。