論文の概要: GraphNeT: Graph neural networks for neutrino telescope event reconstruction

• arxiv url: http://arxiv.org/abs/2210.12194v1
• Date: Fri, 21 Oct 2022 18:43:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 21:53:00.440996
• Title: GraphNeT: Graph neural networks for neutrino telescope event reconstruction
• Title（参考訳）: graphnet:ニュートリノ望遠鏡イベントレコンストラクションのためのグラフニューラルネットワーク
• Authors: Andreas S{\o}gaard, Rasmus F. {\O}rs{\o}e, Leon Bozianu, Morten Holm, Kaare Endrup Iversen, Tim Guggenmos, Martin Ha Minh, Philipp Eller and Troels C. Petersen
• Abstract要約: GraphNeTは、グラフニューラルネットワーク(GNN)を用いたニュートリノ望遠鏡の再構成タスクを実行するためのオープンソースのピソンフレームワークである。 GraphNeTのGNNは、アイスキューブ拡張やP-ONEのような将来のプロジェクトを含む全てのニュートリノ望遠鏡のデータに適用できるほど柔軟である。 これは、GNNベースの再構成が、ニュートリノ望遠鏡のほとんどの再建作業、リアルタイムの事象率、実験や物理分析、ニュートリノや天体物理学に大きな影響を与える可能性があることの、最先端のパフォーマンスを提供するために使われることを意味している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: GraphNeT is an open-source python framework aimed at providing high quality, user friendly, end-to-end functionality to perform reconstruction tasks at neutrino telescopes using graph neural networks (GNNs). GraphNeT makes it fast and easy to train complex models that can provide event reconstruction with state-of-the-art performance, for arbitrary detector configurations, with inference times that are orders of magnitude faster than traditional reconstruction techniques. GNNs from GraphNeT are flexible enough to be applied to data from all neutrino telescopes, including future projects such as IceCube extensions or P-ONE. This means that GNN-based reconstruction can be used to provide state-of-the-art performance on most reconstruction tasks in neutrino telescopes, at real-time event rates, across experiments and physics analyses, with vast potential impact for neutrino and astro-particle physics.
• Abstract（参考訳）: graphnetは、ニュートリノ望遠鏡でグラフニューラルネットワーク(gnns)を使用して再構築タスクを実行するための、高品質でユーザフレンドリーなエンドツーエンド機能を提供する、オープンソースのpythonフレームワークである。 GraphNeTは、任意の検出器構成のために、最先端のパフォーマンスでイベント再構成を提供する複雑なモデルを、従来の再構築技術よりも桁違いに高速な推論時間で、迅速かつ容易に訓練することができる。 GraphNeTのGNNは、アイスキューブ拡張やP-ONEのような将来のプロジェクトを含む全てのニュートリノ望遠鏡のデータに適用できるほど柔軟である。 これは、GNNベースの再構成が、ニュートリノ望遠鏡のほとんどの再建作業、リアルタイムの事象率、実験や物理分析、ニュートリノや天体物理学に大きな影響を与える可能性があることの証明に使用されることを意味する。

関連論文リスト

• Equivariant Graph Neural Networks for Charged Particle Tracking [1.6626046865692057]
  EuclidNetは荷電粒子追跡のための新しい対称性等価GNNである。 TrackMLデータセット上の最先端のインタラクションネットワークに対してベンチマークを行う。 以上の結果から,EuclidNetは小規模なモデルスケールでほぼ最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-04-11T15:43:32Z)
• Trigger-Level Event Reconstruction for Neutrino Telescopes Using Sparse Submanifold Convolutional Neural Networks [0.0]
  畳み込みニューラルネットワーク(CNN)はニュートリノ望遠鏡を含む科学データ分析に広く応用されている。 これらの問題の解決策としてスパースサブマニフォールド畳み込み(SSCNN)を提案する。 SSCNNイベント再構成性能は従来の機械学習アルゴリズムに匹敵するか否かを示す。
  論文  参考訳（メタデータ） (2023-03-15T17:59:01Z)
• Interpretable Joint Event-Particle Reconstruction for Neutrino Physics at NOvA with Sparse CNNs and Transformers [124.29621071934693]
  本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。 TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。 このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
  論文  参考訳（メタデータ） (2023-03-10T20:36:23Z)
• Graph Neural Networks in Particle Physics: Implementations, Innovations, and Challenges [7.071890461446324]
  現在HEPコミュニティで十分に評価されている機能やまだ未成熟な機能について紹介する。 業界におけるGNNの普及により、HEPコミュニティは、GNNレイテンシとメモリ使用量の急速な改善の恩恵を受けることができる。 我々は、機械学習におけるグラフ技術の展望を捉え、また、研究の大きな飛躍を阻害している最も重要なギャップを指摘したいと考えています。
  論文  参考訳（メタデータ） (2022-03-23T04:36:04Z)
• The Preliminary Results on Analysis of TAIGA-IACT Images Using Convolutional Neural Networks [68.8204255655161]
  本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。 The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
  論文  参考訳（メタデータ） (2021-12-19T15:17:20Z)
• ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
  スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。 提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
  論文  参考訳（メタデータ） (2021-03-02T03:09:06Z)
• Scalable, End-to-End, Deep-Learning-Based Data Reconstruction Chain for Particle Imaging Detectors [0.0]
  本稿では,Lyquid Time Projection Chambers (LArTPCs) のためのエンドツーエンドのMLベースのデータ再構成チェーンを提案する。 これは、何十もの高エネルギーニュートリノ相互作用の既往の積み重ねを扱う最初の実装である。
  論文  参考訳（メタデータ） (2021-02-01T18:10:00Z)
• A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。 本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
  論文  参考訳（メタデータ） (2020-10-05T04:57:18Z)
• Distance-Weighted Graph Neural Networks on FPGAs for Real-Time Particle Reconstruction in High Energy Physics [11.125632758828266]
  FPGA上で1$mumathrms未満のレイテンシで実行できる距離重み付きグラフネットワークの設計方法について論じる。 本研究では,粒子衝突型加速器で動作する次世代熱量計における粒子の再構成と同定に関連する代表的課題について考察する。 我々は、圧縮されたモデルをファームウェアに変換し、FPGA上で実装する。
  論文  参考訳（メタデータ） (2020-08-08T21:26:31Z)
• Attentive Graph Neural Networks for Few-Shot Learning [74.01069516079379]
  グラフニューラルネットワーク(GNN)は、数ショットの学習タスクを含む多くの困難なアプリケーションにおいて、優れたパフォーマンスを示している。 少数のサンプルからモデルを学習し、一般化する能力があるにもかかわらず、GNNは通常、モデルが深くなるにつれて、過度な過度な適合と過度なスムーシングに悩まされる。 本稿では,三重注意機構を組み込むことにより,これらの課題に対処するための新しい注意型GNNを提案する。
  論文  参考訳（メタデータ） (2020-07-14T07:43:09Z)
• Eigen-GNN: A Graph Structure Preserving Plug-in for GNNs [95.63153473559865]
  グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。 既存のGNNモデルの多くは浅く、本質的に機能中心である。 我々は,既存の浅いGNNがグラフ構造をよく保存できないことを経験的かつ解析的に示す。 本稿では,グラフ構造保存におけるGNNの能力を高めるプラグインモジュールであるEigen-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-08T02:47:38Z)

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。