論文の概要: Using Machine Learning for Particle Identification in ALICE

• arxiv url: http://arxiv.org/abs/2204.06900v1
• Date: Thu, 14 Apr 2022 11:59:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-15 14:00:01.141127
• Title: Using Machine Learning for Particle Identification in ALICE
• Title（参考訳）: ALICEにおける粒子識別のための機械学習
• Authors: {\L}ukasz Kamil Graczykowski, Monika Jakubowska, Kamil Rafa{\l} Deja, Maja Kabus (for the ALICE Collaboration)
• Abstract要約: 粒子識別(PID)は、LHCにおけるALICE実験の主要な強みの1つである。 ALICEにおけるPIDに対する機械学習手法の現状について述べる。 我々はLHC Run 2のためのランダムフォレストアプローチと、ドメイン適応ニューラルネットワークに基づくより高度な解について検討する。
• 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: Particle identification (PID) is one of the main strengths of the ALICE experiment at the LHC. It is a crucial ingredient for detailed studies of the strongly interacting matter formed in ultrarelativistic heavy-ion collisions. ALICE provides PID information via various experimental techniques, allowing for the identification of particles over a broad momentum range (from around 100 MeV/$c$ to around 50 GeV/$c$). The main challenge is how to combine the information from various detectors effectively. Therefore, PID represents a model classification problem, which can be addressed using Machine Learning (ML) solutions. Moreover, the complexity of the detector and richness of the detection techniques make PID an interesting area of research also for the computer science community. In this work, we show the current status of the ML approach to PID in ALICE. We discuss the preliminary work with the Random Forest approach for the LHC Run 2 and a more advanced solution based on Domain Adaptation Neural Networks, including a proposal for its future implementation within the ALICE computing software for the upcoming LHC Run 3.
• Abstract（参考訳）: 粒子識別(PID)は、LHCにおけるALICE実験の主要な強みの1つである。 超相対論的重イオン衝突で形成される強相互作用物質の詳細な研究にとって重要な要素である。 ALICEは様々な実験技術を通じてPID情報を提供し、広い運動量範囲(100 MeV/$c$から50 GeV/$c$)の粒子の同定を可能にする。 主な課題は、様々な検出器からの情報を効果的に組み合わせることである。 したがって、PIDはモデル分類の問題であり、機械学習(ML)ソリューションで対処できる。 さらに、検出器の複雑さと検出技術の豊かさにより、PIDはコンピュータ科学コミュニティにとっても興味深い研究領域となっている。 本稿では,ALICEにおけるPIDに対するMLアプローチの現状について述べる。 我々は、lhc run 2のランダムフォレストアプローチと、ドメイン適応型ニューラルネットワークに基づくより高度なソリューションとの予備的な作業について議論し、今後のlhc run 3に向けたaliceコンピューティングソフトウェアにおける今後の実装の提案について述べる。

関連論文リスト

• PVAFN: Point-Voxel Attention Fusion Network with Multi-Pooling Enhancing for 3D Object Detection [59.355022416218624]
  点とボクセルの表現の統合は、LiDARベースの3Dオブジェクト検出においてより一般的になりつつある。 PVAFN(Point-Voxel Attention Fusion Network)と呼ばれる新しい2段3次元物体検出器を提案する。 PVAFNはマルチプール戦略を使用して、マルチスケールとリージョン固有の情報を効果的に統合する。
  論文  参考訳（メタデータ） (2024-08-26T19:43:01Z)
• Particle identification with machine learning from incomplete data in the ALICE experiment [3.046689922445082]
  ALICEは、約100MeV/cから20GeV/cまでの運動量を持つ粒子の複数の検出器を介してPID情報を提供する。 機械学習(ML)メソッドで、はるかに優れたパフォーマンスを実現することができる。 本稿では,MLプロジェクトとALICE分析ソフトウェアの統合について紹介し,ドメイン適応について論じる。
  論文  参考訳（メタデータ） (2024-03-26T07:05:06Z)
• Machine-learning-based particle identification with missing data [2.87527787066181]
  本研究では,CERNにおけるALICE実験の範囲内での粒子同定(PID)の新たな手法を提案する。 提案手法は,全粒子種に対して選択された試料のPID純度と効率を向上する。
  論文  参考訳（メタデータ） (2023-12-21T10:20:10Z)
• Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
  異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。 本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
  論文  参考訳（メタデータ） (2023-04-02T08:23:20Z)
• Automated Gadget Discovery in Science [0.0]
  シークエンスマイニングとクラスタリングに基づくポストホック解析により,RLエージェントの学習行動に関する洞察を得る。 具体的には、与えられたタスクを解くためにエージェントが使用する頻繁でコンパクトなサブルーチンを、ガジェットとして蒸留し、様々なメトリクスでグループ化する。 学習エージェントのポリシーを分析するこのアプローチはエージェントと環境非依存であり、エージェントのポリシーに関する興味深い洞察を与えることができる。
  論文  参考訳（メタデータ） (2022-12-24T14:52:22Z)
• On-board Volcanic Eruption Detection through CNNs and Satellite Multispectral Imagery [59.442493247857755]
  著者らは、最初のプロトタイプと、AIモデルが“ロード”される可能性の研究を提案している。 ケーススタディでは,早期に警報を発生させる方法として,火山噴火の検出について検討することにした。 2つの畳み込みニューラルネットワークが提案され、作成され、実際のハードウェア上でそれらを正しく実装する方法も示されている。
  論文  参考訳（メタデータ） (2021-06-29T11:52:43Z)
• The Dark Machines Anomaly Score Challenge: Benchmark Data and Model Independent Event Classification for the Large Hadron Collider [0.0]
  我々は、Dark Machines InitiativeとLes Houches 2019 Workshop on Physics at TeV Colllidersで実施されたデータチャレンジの結果について説明する。 この課題は、教師なし機械学習アルゴリズムを使用して、LHCで新しい物理学の信号を検出することを目的としている。
  論文  参考訳（メタデータ） (2021-05-28T18:00:02Z)
• Anomaly Detection in Video via Self-Supervised and Multi-Task Learning [113.81927544121625]
  ビデオにおける異常検出は、コンピュータビジョンの問題である。 本稿では,オブジェクトレベルでの自己教師型およびマルチタスク学習を通じて,ビデオ中の異常事象検出にアプローチする。
  論文  参考訳（メタデータ） (2020-11-15T10:21:28Z)
• Generalized Iris Presentation Attack Detection Algorithm under Cross-Database Settings [63.90855798947425]
  プレゼンテーションアタックは、バイオメトリックなモダリティの大部分に大きな課題をもたらす。 本稿では,汎用的な深層学習に基づくプレゼンテーション攻撃検出ネットワークであるMVANetを提案する。 これはハイブリッドアルゴリズムの単純さと成功、あるいは複数の検出ネットワークの融合にインスパイアされている。
  論文  参考訳（メタデータ） (2020-10-25T22:42:27Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)
• Variational Dropout Sparsification for Particle Identification speed-up [1.2031796234206138]
  LHCアップグレード条件における高速PIDを実現するためのニューラルネットワーク高速化手法の新たな応用について論じる。 その結果, 浅層ネットワークモデルと比較して, 予測速度が最大16倍に向上することを示した。
  論文  参考訳（メタデータ） (2020-01-21T13:02:49Z)

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。