論文の概要: PC-JeDi: Diffusion for Particle Cloud Generation in High Energy Physics
- arxiv url: http://arxiv.org/abs/2303.05376v2
- Date: Wed, 21 Feb 2024 13:38:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-22 21:32:27.376013
- Title: PC-JeDi: Diffusion for Particle Cloud Generation in High Energy Physics
- Title（参考訳）: PC-JeDi:高エネルギー物理における粒子雲生成のための拡散
- Authors: Matthew Leigh, Debajyoti Sengupta, Guillaume Qu\'etant, John Andrew
Raine, Knut Zoch, and Tobias Golling
- Abstract要約: 我々は,PC-JeDiと呼ばれる高エネルギー物理学においてジェットを効率的に生成する新しい手法を提案する。
本手法は, 粒子雲としてジェットを生成する作業に適した変圧器とともに, スコアベース拡散モデルを用いる。
PC-JeDiは、発生したジェットの質を評価するいくつかの指標で、現在の最先端手法と競合する性能を達成している。
- 参考スコア（独自算出の注目度）: 0.8246494848934447
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we present a new method to efficiently generate jets in High
Energy Physics called PC-JeDi. This method utilises score-based diffusion
models in conjunction with transformers which are well suited to the task of
generating jets as particle clouds due to their permutation equivariance.
PC-JeDi achieves competitive performance with current state-of-the-art methods
across several metrics that evaluate the quality of the generated jets.
Although slower than other models, due to the large number of forward passes
required by diffusion models, it is still substantially faster than traditional
detailed simulation. Furthermore, PC-JeDi uses conditional generation to
produce jets with a desired mass and transverse momentum for two different
particles, top quarks and gluons.
- Abstract（参考訳）: 本稿では,PC-JeDiと呼ばれる高エネルギー物理学においてジェットを効率よく生成する手法を提案する。
本手法は, 変圧器と組み合わさったスコアベース拡散モデルを利用して, ジェットを粒子雲として生成する作業に適している。
PC-JeDiは、発生したジェットの質を評価するいくつかの指標にわたる現在の最先端手法との競合性能を達成する。
他のモデルよりも遅いが、拡散モデルに必要な多くの前方通過のため、従来の詳細なシミュレーションよりもかなり高速である。
さらに、PC-JeDiは条件生成を用いて、2つの異なる粒子、トップクォークとグルーオンに対して所望の質量と横運動量を持つジェットを生成する。
関連論文リスト
- Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。
我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
論文 参考訳（メタデータ） (2024-10-28T17:25:56Z) - One-Step Diffusion Distillation through Score Implicit Matching [74.91234358410281]
本稿では,Score Implicit Matching (SIM) を用いて,事前学習した拡散モデルを単一ステップジェネレータモデルに蒸留する手法を提案する。
SIMはワンステップジェネレータに対して強い経験的性能を示す。
リードトランスに基づく拡散モデルにSIMを適用することにより,テキスト・ツー・イメージ生成のための単一ステップ生成器を蒸留する。
論文 参考訳（メタデータ） (2024-10-22T08:17:20Z) - Dynamic Diffusion Transformer [67.13876021157887]
Diffusion Transformer (DiT) は優れた性能を示したが、かなりの計算コストに悩まされている。
本研究では,動的拡散変換器 (DyDiT) を提案する。
3%の微調整により,DiT-XLのFLOPを51%削減し,生成を1.73高速化し,ImageNet上でのFIDスコア2.07を達成する。
論文 参考訳（メタデータ） (2024-10-04T14:14:28Z) - Flow Matching Beyond Kinematics: Generating Jets with Particle-ID and
Trajectory Displacement Information [0.0]
我々はJetClassデータセットでトレーニングされた最初の生成モデルを紹介する。
本モデルでは, 構成レベルでジェットを発生させ, 流れマッチング法でトレーニングした変分同変連続正規化流(CNF)である。
また,ジェット部品の運動特性を超越した生成モデルも導入した。
論文 参考訳（メタデータ） (2023-11-30T19:00:02Z) - EPiC-ly Fast Particle Cloud Generation with Flow-Matching and Diffusion [0.7255608805275865]
本稿では,LHCジェットを点雲として効率的に高精度に生成する2つの新しい手法を提案する。
epcjediとepはどちらも、トップクォークのJetNetデータセット上で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-09-29T18:00:03Z) - PC-Droid: Faster diffusion and improved quality for particle cloud
generation [0.9374652839580183]
PC-JeDiの成功に基づいて,ジェット粒子雲の生成のための拡散モデルであるPC-Droidを導入する。
新しい拡散定式化、より最近の積分解法の研究、および全てのジェット型を同時に訓練することにより、あらゆる種類のジェットに対して最先端の性能を達成することができる。
論文 参考訳（メタデータ） (2023-07-13T15:56:23Z) - EPiC-GAN: Equivariant Point Cloud Generation for Particle Jets [0.0]
EPiC-GAN - 同変点雲生成逆数ネットワーク - を導入し、可変多重性の点雲を生成する。
EPiC-GANは、大規模粒子乗数によく対応し、ベンチマークジェット生成タスクにおける高世代忠実性を実現する。
論文 参考訳（メタデータ） (2023-01-17T19:00:00Z) - Transformer with Implicit Edges for Particle-based Physics Simulation [135.77656965678196]
Implicit Edges (TIE) を用いたトランスフォーマーは、素粒子相互作用のリッチなセマンティクスをエッジフリーでキャプチャする。
様々な複雑さと素材の多様な領域におけるモデルの評価を行った。
論文 参考訳（メタデータ） (2022-07-22T03:45:29Z) - Controllable and Compositional Generation with Latent-Space Energy-Based
Models [60.87740144816278]
制御可能な生成は、現実世界のアプリケーションで深層生成モデルの採用を成功させる上で重要な要件の1つである。
本研究では, エネルギーモデル(EBM)を用いて, 属性の集合上での合成生成を扱う。
エネルギー関数を論理演算子と合成することにより、分解能1024x1024のフォトリアリスティック画像を生成する際に、このような構成性を実現するのはこれが初めてである。
論文 参考訳（メタデータ） (2021-10-21T03:31:45Z) - Particle Cloud Generation with Message Passing Generative Adversarial
Networks [14.737885252814273]
高エネルギー物理学では、ジェットは粒子衝突でユビキタスに生成される相関粒子の集合である。
GAN(Generative Adversarial Network)のような機械学習に基づく生成モデルは、LHCジェットシミュレーションを著しく加速する可能性がある。
我々は新しい粒子クラウドデータセット(JetNet)を導入し、粒子と点クラウドの類似性から、既存の点クラウドGANに適用する。
論文 参考訳（メタデータ） (2021-06-22T04:21:16Z) - Efficient pre-training objectives for Transformers [84.64393460397471]
本研究はトランスフォーマーモデルにおける高効率事前学習目標について検討する。
マスクトークンの除去と損失時のアウトプット全体の考慮が,パフォーマンス向上に不可欠な選択であることを証明する。
論文 参考訳（メタデータ） (2021-04-20T00:09:37Z)
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。