論文の概要: End-to-end multi-particle reconstruction in high occupancy imaging calorimeters with graph neural networks

• arxiv url: http://arxiv.org/abs/2204.01681v1
• Date: Mon, 4 Apr 2022 17:51:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-05 14:09:11.663432
• Title: End-to-end multi-particle reconstruction in high occupancy imaging calorimeters with graph neural networks
• Title（参考訳）: グラフニューラルネットワークを用いた高占有率撮像熱量計のエンドツーエンド多粒子再構成
• Authors: Shah Rukh Qasim, Nadezda Chernyavskaya, Jan Kieseler, Kenneth Long, Oleksandr Viazlo, Maurizio Pierini, and Raheel Nawaz
• Abstract要約: 本研究では,検出器ヒットから粒子候補を粒度計で生成するエンド・ツー・エンドの再構成アルゴリズムを提案する。 このアルゴリズムは距離重み付きグラフニューラルネットワークを利用して、グラフセグメンテーション技術であるオブジェクト凝縮を訓練する。 この研究は、200の知識を積み重ねた高輝度条件下での1枚あたりのO(1000)$の粒子の1回の熱量再構成の例である。
• 参考スコア（独自算出の注目度）: 18.347013421412793
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present an end-to-end reconstruction algorithm to build particle candidates from detector hits in next-generation granular calorimeters similar to that foreseen for the high-luminosity upgrade of the CMS detector. The algorithm exploits a distance-weighted graph neural network, trained with object condensation, a graph segmentation technique. Through a single-shot approach, the reconstruction task is paired with energy regression. We describe the reconstruction performance in terms of efficiency as well as in terms of energy resolution. In addition, we show the jet reconstruction performance of our method and discuss its inference computational cost. This work is the first-ever example of single-shot calorimetric reconstruction of ${\cal O}(1000)$ particles in high-luminosity conditions with 200 pileup to our knowledge.
• Abstract（参考訳）: 我々は,CMS検出器の高輝度化にともなう次世代の粒径計において,検出器ヒットから粒子候補を構築するためのエンドツーエンド再構成アルゴリズムを提案する。 このアルゴリズムは距離重み付きグラフニューラルネットワークを利用して、グラフセグメンテーション技術であるオブジェクト凝縮を訓練する。 単発アプローチにより、再構成タスクはエネルギー回帰と組み合わせられる。 本稿では,効率とエネルギー分解能の観点からの再構成性能について述べる。 また,本手法のジェット再構成性能を示し,その計算コストについて考察する。 この研究は、200の知識を積んだ高輝度条件下での${\cal O}(1000)$粒子の単発熱量再構成の最初の例である。

関連論文リスト

• DGTR: Distributed Gaussian Turbo-Reconstruction for Sparse-View Vast Scenes [81.56206845824572]
  新規ビュー合成(NVS)アプローチは、広大なシーン再構築において重要な役割を担っている。 大規模な環境下では、復元の質が悪くなる場合が少なくない。 本稿では,スパース・ビュー・ワイド・シーンのための効率的なガウス再構成のための分散フレームワークであるDGTRを提案する。
  論文  参考訳（メタデータ） (2024-11-19T07:51:44Z)
• Reconstruction of Particle Flow Energy Distribution Using Deep Learning Algorithms [8.5980103509356]
  近年の進歩は、エネルギーマップ再構築のための様々なサブ検出器からの熱量計画像の深層学習による処理である。 本稿では,従来のアルゴリズム-MLP,CNN,U-Net,RNN-を,自己注意と3D畳み込みモジュールを含む変種と比較する。 ジェットイベントのテストデータセットを使用して、異常な高エネルギーイベントを扱う際のモデルの性能を分析し、比較する。
  論文  参考訳（メタデータ） (2024-10-08T11:49:18Z)
• Improved particle-flow event reconstruction with scalable neural networks for current and future particle detectors [1.4609888393206634]
  電子-陽電子衝突における事象再構成のためのスケーラブルな機械学習モデルについて, フル検出器シミュレーションに基づく検討を行った。 グラフニューラルネットワークとカーネルベースのトランスフォーマーを比較し、現実的な再構築を実現しつつ、操作を回避できることを実証する。 最良のグラフニューラルネットワークモデルでは、ルールベースのアルゴリズムと比較して、ジェット横運動量分解能が最大50%向上している。
  論文  参考訳（メタデータ） (2023-09-13T08:16:15Z)
• Dataset Distillation with Convexified Implicit Gradients [69.16247946639233]
  メタ段階更新の計算に暗黙の勾配を効果的に利用できるかを示す。 さらに,凍結した有限幅ニューラルネットワーク上での学習に対応する凸近似をアルゴリズムに装備する。
  論文  参考訳（メタデータ） (2023-02-13T23:53:16Z)
• BiTAT: Neural Network Binarization with Task-dependent Aggregated Transformation [116.26521375592759]
  量子化は、与えられたニューラルネットワークの高精度ウェイトとアクティベーションを、メモリ使用量と計算量を減らすために、低精度ウェイト/アクティベーションに変換することを目的としている。 コンパクトに設計されたバックボーンアーキテクチャの極端量子化(1ビットの重み/1ビットのアクティベーション)は、深刻な性能劣化をもたらす。 本稿では,性能劣化を効果的に緩和する新しいQAT法を提案する。
  論文  参考訳（メタデータ） (2022-07-04T13:25:49Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)
• Machine Learning for Particle Flow Reconstruction at CMS [7.527568379083754]
  CMSのための機械学習に基づく粒子フローアルゴリズムの実装について詳述する。 このアルゴリズムは、温度計クラスタとトラックに基づいて安定粒子を再構成し、グローバルなイベント再構成を提供する。
  論文  参考訳（メタデータ） (2022-03-01T10:11:44Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• An unsupervised machine-learning checkpoint-restart algorithm using Gaussian mixtures for particle-in-cell simulations [0.0]
  ガウス混合(GM)を用いたパーティクル・イン・セル(PIC)アルゴリズムのための教師なし機械学習チェックポイント・リスタート(CR)損失アルゴリズムを提案する。 このアルゴリズムは粒子圧縮段階と、連続体粒子分布関数をそれぞれ構築して再サンプリングする粒子再構成段階を特徴とする。 最近開発されたエネルギー・電荷保存型PICアルゴリズムを用いて、圧縮係数が$gtrsim75$であり、再起動したダイナミクスの品質に何の影響も及ばないアルゴリズムを実証した。
  論文  参考訳（メタデータ） (2021-03-17T01:38:02Z)
• Shared Prior Learning of Energy-Based Models for Image Reconstruction [69.72364451042922]
  本研究では,地中真理データを含まないトレーニングに特化して設計された画像再構成のための新しい学習ベースフレームワークを提案する。 基底真理データがない場合には、損失関数をパッチベースのワッサーシュタイン関数に変更する。 共用事前学習では、上記の最適制御問題と正規化器の共用学習パラメータを同時に最適化する。
  論文  参考訳（メタデータ） (2020-11-12T17:56:05Z)
• An efficient iterative method for reconstructing surface from point clouds [7.581956025432869]
  我々は,点雲からの表面再構成を行うための変動モデルに基づく効率的な反復法を開発した。 次に、近似エネルギーを最小化し、各繰り返しにおけるエネルギー減衰特性を証明するための新しい反復法を開発する。
  論文  参考訳（メタデータ） (2020-05-25T00:01:53Z)

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。