論文の概要: Interpretable Joint Event-Particle Reconstruction for Neutrino Physics
at NOvA with Sparse CNNs and Transformers
- arxiv url: http://arxiv.org/abs/2303.06201v1
- Date: Fri, 10 Mar 2023 20:36:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 20:34:08.607057
- Title: Interpretable Joint Event-Particle Reconstruction for Neutrino Physics
at NOvA with Sparse CNNs and Transformers
- Title（参考訳）: sparse cnnとtransformerを用いたnovaにおけるニュートリノ物理の解釈可能な合同イベント粒子再構成
- Authors: Alexander Shmakov, Alejandro Yankelevich, Jianming Bian, Pierre Baldi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 124.29621071934693
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The complex events observed at the NOvA long-baseline neutrino oscillation
experiment contain vital information for understanding the most elusive
particles in the standard model. The NOvA detectors observe interactions of
neutrinos from the NuMI beam at Fermilab. Associating the particles produced in
these interaction events to their source particles, a process known as
reconstruction, is critical for accurately measuring key parameters of the
standard model. Events may contain several particles, each producing sparse
high-dimensional spatial observations, and current methods are limited to
evaluating individual particles. To accurately label these numerous,
high-dimensional observations, we present a novel neural network architecture
that combines the spatial learning enabled by convolutions with the contextual
learning enabled by attention. This joint approach, TransformerCVN,
simultaneously classifies each event and reconstructs every individual
particle's identity. TransformerCVN classifies events with 90\% accuracy and
improves the reconstruction of individual particles by 6\% over baseline
methods which lack the integrated architecture of TransformerCVN. In addition,
this architecture enables us to perform several interpretability studies which
provide insights into the network's predictions and show that TransformerCVN
discovers several fundamental principles that stem from the standard model.
- Abstract（参考訳）: novaロングベースラインニュートリノ振動実験で観測された複雑な事象は、標準模型における最も不可解な粒子を理解するための重要な情報を含んでいる。
NOvA検出器はフェルミラブのNuMIビームからのニュートリノの相互作用を観測する。
これらの相互作用で生成された粒子を元の粒子に関連付けることは、標準モデルの鍵パラメータを正確に測定するために重要である。
事象はいくつかの粒子を含み、それぞれが疎らな高次元の空間観測を行い、現在の方法は個々の粒子を評価することに限定されている。
多数の高次元の観測を正確にラベル付けするために,畳み込みによる空間学習と注意によ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。
この共同アプローチであるTransformerCVNは、各事象を同時に分類し、個々の粒子のアイデンティティを再構築する。
TransformerCVNは、90%の精度でイベントを分類し、TransformerCVNの統合アーキテクチャを欠いたベースライン法で、個々の粒子の再構成を6倍改善する。
さらに,本アーキテクチャは,ネットワークの予測に対する洞察を提供するいくつかの解釈可能性研究を行い,TransformerCVNが標準モデルから派生したいくつかの基本原理を発見することを示す。
関連論文リスト
- NuGraph2: A Graph Neural Network for Neutrino Physics Event Reconstruction [0.3088816319960295]
本稿では、LArTPC検出器におけるシミュレーションニュートリノ相互作用の低レベル再構成のためのグラフニューラルネットワーク(GNN)であるNuGraph2について述べる。
このネットワークは、複数の2D表現にまたがる検出器オブザーバブルを直接運用するが、これらの表現間の一貫性を促進するために3Dコンテキスト認識機構を利用する。
論文 参考訳（メタデータ） (2024-03-18T15:26:05Z) - Deep-learning-based decomposition of overlapping-sparse images: application at the vertex of neutrino interactions [2.5521723486759407]
本稿では,深層学習の力を利用して,多次元重なり合うスパース画像中の個々の物体を正確に抽出する手法を提案する。
これは、イメージング検出器から得られるオーバーレイド素粒子を分解した高エネルギー物理学の直接的な応用である。
論文 参考訳（メタデータ） (2023-10-30T16:12:25Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - 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) - Trapped-Ion Quantum Simulation of Collective Neutrino Oscillations [55.41644538483948]
量子計算を用いて,Nニュートリノ系のコヒーレントな集団振動を2成分近似でシミュレートする手法について検討した。
第2次トロッタースズキ公式を用いたゲート複雑性は,量子信号処理などの他の分解方法よりも,システムサイズに優れることがわかった。
論文 参考訳（メタデータ） (2022-07-07T09:39:40Z) - Quench dynamics of R\'enyi negativities and the quasiparticle picture [0.0]
部分転位モーメントの量子クエンチ後の時間進化について検討する。
長い時間と大きなサブシステムの時空スケーリング限界において、準粒子の記述により、R'enyi の負性を完全に理解できることが示される。
論文 参考訳（メタデータ） (2021-10-27T17:07:25Z) - Spectral density reconstruction with Chebyshev polynomials [77.34726150561087]
厳密な誤差推定で有限エネルギー分解能の制御可能な再構成を行う方法を示す。
これは、核と凝縮物質物理学における将来の応用の道を開くものである。
論文 参考訳（メタデータ） (2021-10-05T15:16:13Z) - 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) - Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。
モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。
その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文 参考訳（メタデータ） (2020-05-27T13:32:10Z)
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。