Fugu-MT 論文翻訳(概要): Towards Reliable Neural Generative Modeling of Detectors

論文の概要: Towards Reliable Neural Generative Modeling of Detectors

arxiv url: http://arxiv.org/abs/2204.09947v1
Date: Thu, 21 Apr 2022 08:14:24 GMT
ステータス: 処理完了
システム内更新日: 2022-04-22 14:47:33.223414
Title: Towards Reliable Neural Generative Modeling of Detectors
Title（参考訳）: 検出器の信頼性ニューラル生成モデリングに向けて
Authors: Lucio Anderlini, Matteo Barbetti, Denis Derkach, Nikita Kazeev, Artem Maevskiy, Sergei Mokhnenko
Abstract要約: 本稿では,LHCb実験イベントのシミュレーションにおけるGAN(Generative Adversarial Network)の適用について論じる。結果は、LHCbチェレンコフ検出器のGeant4シミュレーションに基づいている。
参考スコア（独自算出の注目度）: 0.45671221781968335
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The increasing luminosities of future data taking at Large Hadron Collider and next generation collider experiments require an unprecedented amount of simulated events to be produced. Such large scale productions demand a significant amount of valuable computing resources. This brings a demand to use new approaches to event generation and simulation of detector responses. In this paper, we discuss the application of generative adversarial networks (GANs) to the simulation of the LHCb experiment events. We emphasize main pitfalls in the application of GANs and study the systematic effects in detail. The presented results are based on the Geant4 simulation of the LHCb Cherenkov detector.
Abstract（参考訳）: 大型ハドロン衝突型加速器と次世代衝突型加速器による将来のデータの光度の増加は、前例のない量のシミュレーションイベントを発生させる必要がある。このような大規模生産は、かなりの量の貴重な計算資源を必要とする。これにより、イベント生成と検出器応答のシミュレーションに新しいアプローチを使う必要が生じる。本稿では,LHCb実験イベントのシミュレーションにおけるGAN(Generative Adversarial Network)の適用について論じる。我々はgansの適用における主な落とし穴を強調し、体系的効果を詳細に研究する。この結果は、LHCbチェレンコフ検出器のGeant4シミュレーションに基づいている。

関連論文リスト

Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文参考訳（メタデータ） (2024-04-11T09:23:36Z)
Deep Generative Models for Ultra-High Granularity Particle Physics Detector Simulation: A Voyage From Emulation to Extrapolation [0.0]
この論文は、ベルIIの実験でPixel Vertex Detector (PXD)のこの課題を克服することを目的としている。本研究は、粒子物理学における超高粒度検出器シミュレーションに深部生成モデルを用いた結果について初めて紹介する。
論文参考訳（メタデータ） (2024-03-05T23:12:47Z)
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)
Lamarr: LHCb ultra-fast simulation based on machine learning models deployed within Gauss [0.0]
LHCb実験における検出器応答と再構成アルゴリズムの両方をパラメータ化するシミュレーション生成を高速化するフレームワークであるLamarrについて論じる。複数のアルゴリズムと戦略を駆使した深部生成モデルを用いて、LHCb検出器の単一成分の高レベル応答を効果的にパラメータ化する。
論文参考訳（メタデータ） (2023-03-20T20:18:04Z)
GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。 GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
論文参考訳（メタデータ） (2023-02-01T17:29:43Z)
Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
今後のエクサスケール時代は次世代の物理シミュレーションを高解像度で提供しますこれらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文参考訳（メタデータ） (2022-11-09T09:55:14Z)
Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文参考訳（メタデータ） (2021-11-03T03:50:48Z)
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)
Deep Transformer Networks for Time Series Classification: The NPP Safety Case [59.20947681019466]
時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
論文参考訳（メタデータ） (2021-04-09T14:26:25Z)
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)
Generative Adversarial Networks for LHCb Fast Simulation [0.7106986689736827]
LHCb生成モデルは、チェレンコフ検出器の温度計および高レベル応答におけるシャワーの発生を加速するために研究されている。提案手法は,高速化とともに高忠実度な結果をもたらすことを実証し,これらの結果がもたらす影響について考察する。
論文参考訳（メタデータ） (2020-03-21T22:46:15Z)

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。