論文の概要: AI-assisted Optimization of the ECCE Tracking System at the Electron Ion
Collider
- arxiv url: http://arxiv.org/abs/2205.09185v1
- Date: Wed, 18 May 2022 19:30:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-21 12:15:38.006841
- Title: AI-assisted Optimization of the ECCE Tracking System at the Electron Ion
Collider
- Title（参考訳）: 電子イオン衝突装置におけるECCE追跡システムのAI支援最適化
- Authors: C. Fanelli, Z. Papandreou, K. Suresh, J. K. Adkins, Y. Akiba, A.
Albataineh, M. Amaryan, I. C. Arsene, C. Ayerbe Gayoso, J. Bae, X. Bai, M.D.
Baker, M. Bashkanov, R. Bellwied, F. Benmokhtar, V. Berdnikov, J. C.
Bernauer, F. Bock, W. Boeglin, M. Borysova, E. Brash, P. Brindza, W. J.
Briscoe, M. Brooks, S. Bueltmann, M. H. S. Bukhari, A. Bylinkin, R.
Capobianco, W.-C. Chang, Y. Cheon, K. Chen, K.-F. Chen, K.-Y. Cheng, M. Chiu,
T. Chujo, Z. Citron, E. Cline, E. Cohen, T. Cormier, Y. Corrales Morales, C.
Cotton, J. Crafts, C. Crawford, S. Creekmore, C.Cuevas, J. Cunningham, G.
David, C. T. Dean, M. Demarteau, S. Diehl, N. Doshita, R. Dupre, J. M.
Durham, R. Dzhygadlo, R. Ehlers, L. El Fassi, A. Emmert, R. Ent, C. Fanelli,
R. Fatemi, S. Fegan, M. Finger, M. Finger Jr., J. Frantz, M. Friedman, I.
Friscic, D. Gangadharan, S. Gardner, K. Gates, F. Geurts, R. Gilman, D.
Glazier, E. Glimos, Y. Goto, N. Grau, S. V. Greene, A. Q. Guo, L. Guo, S. K.
Ha, J. Haggerty, T. Hayward, X. He, O. Hen, D. W. Higinbotham, M. Hoballah,
T. Horn, A. Hoghmrtsyan, P.-h. J. Hsu, J. Huang, G. Huber, A. Hutson, K. Y.
Hwang, C. Hyde, M. Inaba, T. Iwata, H.S. Jo, K. Joo, N. Kalantarians, G.
Kalicy, K. Kawade, S. J. D. Kay, A. Kim, B. Kim, C. Kim, M. Kim, Y. Kim, Y.
Kim, E. Kistenev, V. Klimenko, S. H. Ko, I. Korover, W. Korsch, G. Krintiras,
S. Kuhn, C.-M. Kuo, T. Kutz, J. Lajoie, D. Lawrence, S. Lebedev, H. Lee, J.
S. H. Lee, S. W. Lee, Y.-J. Lee, W. Li, W.B. Li, X. Li, X. Li, X. Li, X. Li,
Y. T. Liang, S. Lim, C.-h. Lin, D. X. Lin, K. Liu, M. X. Liu, K. Livingston,
N. Liyanage, W.J. Llope, C. Loizides, E. Long, R.-S. Lu, Z. Lu, W. Lynch, D.
Marchand, M. Marcisovsky, P. Markowitz, H. Marukyan, P. McGaughey, M.
Mihovilovic, R. G. Milner, A. Milov, Y. Miyachi, A. Mkrtchyan, P. Monaghan,
R. Montgomery, D. Morrison, A. Movsisyan, H. Mkrtchyan, A. Mkrtchyan, C.
Munoz Camacho, M. Murray, K. Nagai, J. Nagle, I. Nakagawa, C. Nattrass, D.
Nguyen, S. Niccolai, R. Nouicer, G. Nukazuka, M. Nycz, V. A. Okorokov, S.
Oresic, J.D. Osborn, C. O'Shaughnessy, S. Paganis, Z. Papandreou, S. F. Pate,
M. Patel, C. Paus, G. Penman, M. G. Perdekamp, D. V. Perepelitsa, H. Periera
da Costa, K. Peters, W. Phelps, E. Piasetzky, C. Pinkenburg, I. Prochazka, T.
Protzman, M. L. Purschke, J. Putschke, J. R. Pybus, R. Rajput-Ghoshal, J.
Rasson, B. Raue, K.F. Read, K. Roed, R. Reed, J. Reinhold, E. L. Renner, J.
Richards, C. Riedl, T. Rinn, J. Roche, G. M. Roland, G. Ron, M. Rosati, C.
Royon, J. Ryu, S. Salur, N. Santiesteban, R. Santos, M. Sarsour, J.
Schambach, A. Schmidt, N. Schmidt, C. Schwarz, J. Schwiening, R. Seidl, A.
Sickles, P. Simmerling, S. Sirca, D. Sharma, Z. Shi, T.-A. Shibata, C.-W.
Shih, S. Shimizu, U. Shrestha, K. Slifer, K. Smith, D. Sokhan, R. Soltz, W.
Sondheim, J. Song, J. Song, I. I. Strakovsky, P. Steinberg, P. Stepanov, J.
Stevens, J. Strube, P. Sun, X. Sun, K. Suresh, V. Tadevosyan, W.-C. Tang, S.
Tapia Araya, S. Tarafdar, L. Teodorescu, A. Timmins, L. Tomasek, N. Trotta,
R. Trotta, T. S. Tveter, E. Umaka, A. Usman, H. W. van Hecke, C. Van Hulse,
J. Velkovska, E. Voutier, P.K. Wang, Q. Wang, Y. Wang, Y. Wang, D. P. Watts,
N. Wickramaarachchi, L. Weinstein, M. Williams, C.-P. Wong, L. Wood, M. H.
Wood, C. Woody, B. Wyslouch, Z. Xiao, Y. Yamazaki, Y. Yang, Z. Ye, H. D. Yoo,
M. Yurov, N. Zachariou, W.A. Zajc, W. Zha, J. Zhang, Y. Zhang, Y. X. Zhao, X.
Zheng, P. Zhuang
- Abstract要約: EICは、すでに設計と研究開発段階から始まっている人工知能(AI)を活用する最初の大規模施設の1つである。
EIC検出器の提案はECCEの設計がEIC検出器の基準設計として機能すると結論付けた。
本稿では,AIを用いたECCEトラッカーの総合最適化について述べる。
- 参考スコア（独自算出の注目度）: 3.1512997637064135
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Electron-Ion Collider (EIC) is a cutting-edge accelerator facility that
will study the nature of the "glue" that binds the building blocks of the
visible matter in the universe. The proposed experiment will be realized at
Brookhaven National Laboratory in approximately 10 years from now, with
detector design and R&D currently ongoing. Notably, EIC is one of the first
large-scale facilities to leverage Artificial Intelligence (AI) already
starting from the design and R&D phases. The EIC Comprehensive Chromodynamics
Experiment (ECCE) is a consortium that proposed a detector design based on a
1.5T solenoid. The EIC detector proposal review concluded that the ECCE design
will serve as the reference design for an EIC detector. Herein we describe a
comprehensive optimization of the ECCE tracker using AI. The work required a
complex parametrization of the simulated detector system. Our approach dealt
with an optimization problem in a multidimensional design space driven by
multiple objectives that encode the detector performance, while satisfying
several mechanical constraints. We describe our strategy and show results
obtained for the ECCE tracking system. The AI-assisted design is agnostic to
the simulation framework and can be extended to other sub-detectors or to a
system of sub-detectors to further optimize the performance of the EIC
detector.
- Abstract（参考訳）: 電子イオン衝突型加速器(Electron-Ion Collider、EIC)は、宇宙の可視物質の構成要素を結合する「グル」の性質を研究する最先端の加速器である。
提案された実験は、約10年後にブルックヘイブン国立研究所で実現され、検出器の設計とR&Dは現在進行中である。
EICは、すでに設計と研究開発の段階から始まっている人工知能(AI)を活用する最初の大規模施設の1つである。
EIC Comprehensive Chromodynamics Experiment (ECCE) は1.5Tソレノイドに基づく検出器の設計を提案したコンソーシアムである。
EIC検出器の提案はECCEの設計がEIC検出器の基準設計として機能すると結論付けた。
本稿では,AIを用いたECCEトラッカーの総合最適化について述べる。
この作業はシミュレートされた検出器システムの複雑なパラメトリゼーションを必要とした。
提案手法は,検出器の性能をエンコードする複数の目的によって駆動される多次元設計空間における最適化問題に対処し,複数の機械的制約を満たした。
本稿では,ECCEトラッキングシステムにおいて得られた戦略と結果について述べる。
AI支援設計はシミュレーションフレームワークに非依存であり、他のサブ検出器やサブ検出器システムに拡張して、EIC検出器の性能をさらに最適化することができる。
関連論文リスト
- Benchmarking End-To-End Performance of AI-Based Chip Placement Algorithms [77.71341200638416]
ChiPBenchはAIベースのチップ配置アルゴリズムの有効性を評価するために設計されたベンチマークである。
評価のために、さまざまなドメイン(CPU、GPU、マイクロコントローラなど)から20の回路を集めました。
その結果, 単点アルゴリズムの中間距離が支配的であったとしても, 最終的なPPA結果は満足できないことがわかった。
論文 参考訳（メタデータ） (2024-07-03T03:29:23Z) - AI-Assisted Detector Design for the EIC (AID(2)E) [0.0]
ePIC実験には、性能、物理学的到達度、コストなど、多くの設計パラメータと目的が含まれている。
本研究の目的は,EIC(AID(2)E)のためのスケーラブルで分散AI支援型検出器の開発である。
論文 参考訳（メタデータ） (2024-05-25T15:33:44Z) - Optimizing Brain-Computer Interface Performance: Advancing EEG Signals Channel Selection through Regularized CSP and SPEA II Multi-Objective Optimization [13.981941979747305]
RCSPは脳波信号の識別と分類に有効である。
我々は、MIタスクを持つマルチチャネル脳波信号からチャネルのサブセットを選択する際に、最先端のアプローチを採用する。
論文 参考訳（メタデータ） (2024-04-26T00:04:41Z) - Enhancing EEG-to-Text Decoding through Transferable Representations from Pre-trained Contrastive EEG-Text Masked Autoencoder [69.7813498468116]
コントラスト型脳波テキストマスケード自動エンコーダ(CET-MAE)を提案する。
また、E2T-PTR(Pretrained Transferable Representationsを用いたEEG-to-Text decoding)と呼ばれるフレームワークを開発し、EEGシーケンスからテキストをデコードする。
論文 参考訳（メタデータ） (2024-02-27T11:45:21Z) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳（メタデータ） (2023-09-07T13:43:46Z) - LAMBO: Large AI Model Empowered Edge Intelligence [71.56135386994119]
次世代エッジインテリジェンスは、オフロード技術を通じて様々なアプリケーションに恩恵をもたらすことが期待されている。
従来のオフロードアーキテクチャは、不均一な制約、部分的な認識、不確実な一般化、トラクタビリティの欠如など、いくつかの問題に直面している。
我々は、これらの問題を解決するための10億以上のパラメータを持つLarge AI Model-Based Offloading (LAMBO)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-29T07:25:42Z) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳（メタデータ） (2022-07-03T06:57:07Z) - Design of Detectors at the Electron Ion Collider with Artificial
Intelligence [0.0]
ECCEは、多目的最適化を用いて、EIC検出器のトラッキングシステムを設計する可能性を探っている。
本稿は、これらの技術の概要と、EIC提案における最近の進歩について述べる。
論文 参考訳（メタデータ） (2022-03-09T05:27:37Z) - EEG-Inception: An Accurate and Robust End-to-End Neural Network for
EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。
提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文 参考訳（メタデータ） (2021-01-24T19:03:10Z) - Learning Patterns in Imaginary Vowels for an Intelligent Brain Computer
Interface (BCI) Design [0.0]
本稿では,脳コンピュータインタフェースシステムにおいて,母音をAI部分として認識するためのモジュラーフレームワークを提案する。
生の脳波信号から英語の母音を識別するモジュールを慎重に設計した。
提案するフレームワークのアルゴリズムは、将来の研究者や、同じワークフローに従いたい開発者にとって容易なものです。
論文 参考訳（メタデータ） (2020-10-17T06:10:10Z) - Identifying Vulnerabilities of Industrial Control Systems using
Evolutionary Multiobjective Optimisation [1.8275108630751844]
進化的多目的最適化(EMO)アルゴリズムを用いて,実世界の産業制御システム(ICS)の脆弱性を同定する。
本手法は化学プラントシミュレータであるテネシー・イーストマン (TE) プロセスモデルを用いて評価した。
新たな侵入検知システムという形でこれらの攻撃に対する防御が開発された。
論文 参考訳（メタデータ） (2020-05-27T00:22:48Z)
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。