論文の概要: AI-assisted Optimization of the ECCE Tracking System at the Electron Ion
Collider
- arxiv url: http://arxiv.org/abs/2205.09185v2
- Date: Fri, 20 May 2022 03:23:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-23 12:19:56.049084
- 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, 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, 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, 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): 1.8127731997964323
- 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
- Enhancing EEG-to-Text Decoding through Transferable Representations from
Pre-trained Contrastive EEG-Text Masked Autoencoder [73.94142233076079]
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) - CSLP-AE: A Contrastive Split-Latent Permutation Autoencoder Framework
for Zero-Shot Electroencephalography Signal Conversion [49.1574468325115]
脳波分析の鍵となる目的は、基礎となる神経活動(コンテンツ)を抽出し、個体の変動(スタイル)を考慮することである。
近年の音声変換技術の発展に触発されて,脳波変換を直接最適化するCSLP-AEフレームワークを提案する。
論文 参考訳(メタデータ) (2023-11-13T22:46:43Z) - 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) - Active Predicting Coding: Brain-Inspired Reinforcement Learning for
Sparse Reward Robotic Control Problems [79.07468367923619]
ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。
我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。
提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
論文 参考訳(メタデータ) (2022-09-19T16:49:32Z) - 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) - Artificial Intelligence for Imaging Cherenkov Detectors at the EIC [0.0]
チェレンコフ検出器は将来の電子イオン衝突型加速器(EIC)で粒子識別(PID)のバックボーンを形成する
この作業は、EICでチェレンコフ検出器を撮像するためのAIの現在進行中の取り組みと応用をまとめたものである。
論文 参考訳(メタデータ) (2022-04-19T03:58:01Z) - 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) - Using Machine Learning to Speed Up and Improve Calorimeter R&D [0.7106986689736827]
物理性能の評価を遅くする2つの典型的な問題は、特にカロリー検出器技術や構成に対するアプローチである。
本稿では,検出器開発および最適化サイクルの精度向上と高速化を目的とした,高度な機械学習技術の利用について論じる。
論文 参考訳(メタデータ) (2020-03-27T14:44:46Z)
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。