論文の概要: Geometry-aware Autoregressive Models for Calorimeter Shower Simulations
- arxiv url: http://arxiv.org/abs/2212.08233v1
- Date: Fri, 16 Dec 2022 01:45:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 16:37:44.237491
- Title: Geometry-aware Autoregressive Models for Calorimeter Shower Simulations
- Title（参考訳）: カロリメータシャワーシミュレーションのための幾何アウェア自己回帰モデル
- Authors: Junze Liu, Aishik Ghosh, Dylan Smith, Pierre Baldi, Daniel Whiteson
- Abstract要約: 本研究では, 幾何線量に基づく幾何学的自己回帰モデルを構築した。
これは、新しい目に見えないカロリーメーターに一般化できるモデルを構築するための、概念実証の重要なステップである。
このようなモデルは、大型ハドロン衝突型加速器実験において、カロリーメータシミュレーションに使用される数百の生成モデルを置き換えることができる。
- 参考スコア（独自算出の注目度）: 6.01665219244256
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Calorimeter shower simulations are often the bottleneck in simulation time
for particle physics detectors. A lot of effort is currently spent on
optimizing generative architectures for specific detector geometries, which
generalize poorly. We develop a geometry-aware autoregressive model on a range
of calorimeter geometries such that the model learns to adapt its energy
deposition depending on the size and position of the cells. This is a key
proof-of-concept step towards building a model that can generalize to new
unseen calorimeter geometries with little to no additional training. Such a
model can replace the hundreds of generative models used for calorimeter
simulation in a Large Hadron Collider experiment. For the study of future
detectors, such a model will dramatically reduce the large upfront investment
usually needed to generate simulations.
- Abstract（参考訳）: カロリメータシャワーシミュレーションは、しばしば粒子物理学検出器のシミュレーション時間においてボトルネックとなる。
現在、特定の検出器のジオメトリーに対する生成アーキテクチャの最適化に多くの労力が費やされています。
本研究では,幾何対応型自己回帰モデルを開発し,そのモデルが細胞の大きさや位置に応じてエネルギー沈着を適応させることを学習する。
これは、追加のトレーニングをほとんど必要とせずに、新しい見えないカロリメータジオメトリに一般化できるモデルを構築するための重要な概念実証である。
このようなモデルは、大型ハドロン衝突型加速器実験でカロリーメーターシミュレーションに使用される数百の生成モデルを置き換えることができる。
将来の検出器の研究のために、そのようなモデルはシミュレーションを生成するのに通常必要となる大規模な事前投資を劇的に削減する。
関連論文リスト
- von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
円値ランダム関数上の表現的および解釈可能な分布の族を探索する。
結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。
後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
論文 参考訳（メタデータ） (2024-06-19T01:57:21Z) - Unifying Simulation and Inference with Normalizing Flows [0.08796261172196743]
エネルギー回帰のための条件付き生成モデルから最大極大推定(MLE)を用いて2つのタスクを統一できることを示す。
ATLASライクなカロリーメータシミュレーションを用いて、この概念をカロリーメータのエネルギーキャリブレーションの文脈で実証する。
論文 参考訳（メタデータ） (2024-04-29T18:00:00Z) - CaloClouds II: Ultra-Fast Geometry-Independent Highly-Granular
Calorimeter Simulation [0.0]
生成する機械学習モデルは、物理解析において従来のシミュレーションチェーンをスピードアップし、拡張することが示されている。
主要な進歩として最近導入されたCaloCloudsモデルがあり、予想される国際大型検出器(ILD)の電磁熱量計のための点雲としてカロリーメータシャワーを生成する。
この記事では、多数の重要な改善が加えられたCaloClouds IIを紹介します。これには、連続的なスコアベースのモデリングが含まれています。これにより、CaloCloudsに匹敵する25ステップのサンプリングが可能になり、単一のCPU上でGeant4よりも6倍のスピードアップを実現します。
論文 参考訳（メタデータ） (2023-09-11T18:00:02Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳（メタデータ） (2023-07-11T16:51:38Z) - Comparison of Point Cloud and Image-based Models for Calorimeter Fast
Simulation [48.26243807950606]
2つの最先端スコアベースのモデルが、同じカロリーメータのシミュレーションに基づいてトレーニングされ、直接比較される。
生成モデルは、高次元のカロリーメーターデータセットを正確に生成することが示されている新しい生成モデルのクラスである。
論文 参考訳（メタデータ） (2023-07-10T08:20:45Z) - Generalizing to new geometries with Geometry-Aware Autoregressive Models
(GAAMs) for fast calorimeter simulation [6.099458999905677]
生成モデルはより高速なサンプル生産を提供することができるが、現在は特定の検出器測地の性能を最適化するためにかなりの努力が必要である。
我々は,温度計の応答が幾何によってどのように変化するかを学習する自動回帰モデルを開発した。
幾何認識モデルは、いくつかの指標で50ドル以上もするベースライン無意識モデルより優れている。
論文 参考訳（メタデータ） (2023-05-19T08:54:49Z) - Automatic Parameterization for Aerodynamic Shape Optimization via Deep
Geometric Learning [60.69217130006758]
空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。
どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。
2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
論文 参考訳（メタデータ） (2023-05-03T13:45:40Z) - CaloMan: Fast generation of calorimeter showers with density estimation
on learned manifolds [10.089611750812391]
計算に高価なシミュレーションのほとんどは、カロリーメータのシャワーを含む。
深部生成モデルにより、物理に基づくシミュレーションよりもはるかに早く、リアルなカロリーメータのシャワーを発生させることができる。
まず、その多様体構造を学習し、次にこの多様体にまたがるデータの密度を推定することで、熱量計のシャワーをモデル化する。
論文 参考訳（メタデータ） (2022-11-23T19:00:03Z) - Score-based Generative Models for Calorimeter Shower Simulation [2.0813318162800707]
カロスコア(CaloScore)は、カロリーメータのシャワー発生に応用したコライダー物理のためのスコアベース生成モデルである。
CaloScoreは、コライダー物理学におけるスコアベースの生成モデルの最初の応用であり、全てのデータセットに対して高忠実度カロリー画像を生成することができる。
論文 参考訳（メタデータ） (2022-06-17T18:01:02Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-01-19T16:14:02Z)
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。