論文の概要: Generative Adversarial Networks for Scintillation Signal Simulation in EXO-200

• arxiv url: http://arxiv.org/abs/2303.06311v2
• Date: Mon, 8 May 2023 13:57:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 21:05:05.173954
• Title: Generative Adversarial Networks for Scintillation Signal Simulation in EXO-200
• Title（参考訳）: EXO-200におけるシンチレーション信号シミュレーションのための生成逆ネットワーク
• Authors: S. Li, I. Ostrovskiy, Z. Li, L. Yang, S. Al Kharusi, G. Anton, I. Badhrees, P.S. Barbeau, D. Beck, V. Belov, T. Bhatta, M. Breidenbach, T. Brunner, G.F. Cao, W.R. Cen, C. Chambers, B. Cleveland, M. Coon, A. Craycraft, T. Daniels, L. Darroch, S.J. Daugherty, J. Davis, S. Delaquis, A. Der Mesrobian-Kabakian, R. DeVoe, J. Dilling, A. Dolgolenko, M.J. Dolinski, J. Echevers, W. Fairbank Jr., D. Fairbank, J. Farine, S. Feyzbakhsh, P. Fierlinger, Y.S. Fu, D. Fudenberg, P. Gautam, R. Gornea, G. Gratta, C. Hall, E.V. Hansen, J. Hoessl, P. Hufschmidt, M. Hughes, A. Iverson, A. Jamil, C. Jessiman, M.J. Jewell, A. Johnson, A. Karelin, L.J. Kaufman, T. Koffas, R. Kr\"ucken, A. Kuchenkov, K.S. Kumar, Y. Lan, A. Larson, B.G. Lenardo, D.S. Leonard, G.S. Li, C. Licciardi, Y.H. Lin, R. MacLellan, T. McElroy, T. Michel, B. Mong, D.C. Moore, K. Murray, O. Njoya, O. Nusair, A. Odian, A. Perna, A. Piepke, A. Pocar, F. Reti\`ere, A.L. Robinson, P.C. Rowson, J. Runge, S. Schmidt, D. Sinclair, K. Skarpaas, A.K. Soma, V. Stekhanov, M. Tarka, S. Thibado, J. Todd, T. Tolba, T.I. Totev, R. Tsang
• Abstract要約: EXO-200実験の時間投影チャンバーからの光検出器信号のシミュレーションを行うための新しい手法を実証した。 従来のシミュレーション手法よりも桁違いに高速に高品質なシミュレーション波形を生成できることがわかった。 ネットワーク出力はEXO-200分析フレームワークに統合され、標準的なEXO-200再構成ルーチンがシミュレーション波形を処理し、実際の波形に匹敵するエネルギーを生成することを示す。
• 参考スコア（独自算出の注目度）: 0.13246303154954686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative Adversarial Networks trained on samples of simulated or actual events have been proposed as a way of generating large simulated datasets at a reduced computational cost. In this work, a novel approach to perform the simulation of photodetector signals from the time projection chamber of the EXO-200 experiment is demonstrated. The method is based on a Wasserstein Generative Adversarial Network - a deep learning technique allowing for implicit non-parametric estimation of the population distribution for a given set of objects. Our network is trained on real calibration data using raw scintillation waveforms as input. We find that it is able to produce high-quality simulated waveforms an order of magnitude faster than the traditional simulation approach and, importantly, generalize from the training sample and discern salient high-level features of the data. In particular, the network correctly deduces position dependency of scintillation light response in the detector and correctly recognizes dead photodetector channels. The network output is then integrated into the EXO-200 analysis framework to show that the standard EXO-200 reconstruction routine processes the simulated waveforms to produce energy distributions comparable to that of real waveforms. Finally, the remaining discrepancies and potential ways to improve the approach further are highlighted.
• Abstract（参考訳）: シミュレーションまたは実際のイベントのサンプルでトレーニングされた生成的逆ネットワークは、計算コストを低減した大規模なシミュレーションデータセットを生成する方法として提案されている。 本研究は,EXO-200実験における時間投影チャンバーからの光検出器信号のシミュレーションを行うための新しい手法である。 この手法はWasserstein Generative Adversarial Networkに基づいており、与えられたオブジェクトの集合に対する集団分布の暗黙的な非パラメトリック推定を可能にするディープラーニング技術である。 本ネットワークは生シンチレーション波形を入力として実校正データに基づいて学習する。 従来のシミュレーション手法よりも桁違いに高速に高品質なシミュレーション波形を生成でき、さらに、トレーニングサンプルから一般化し、データの健全な高次特徴を識別できることが判明した。 特に、ネットワークは検出器内のシンチレーション光応答の位置依存性を正しく導き、死んだ光検出器チャネルを正しく認識する。 ネットワーク出力はEXO-200分析フレームワークに統合され、標準的なEXO-200再構成ルーチンがシミュレーション波形を処理して実波形に匹敵するエネルギー分布を生成することを示す。 最後に、残りの相違点と、アプローチをさらに改善する潜在的な方法を強調します。

関連論文リスト

• Efficient representation learning of scintillation signal characteristics with spectrum-inspired temporal neural networks [1.124958340749622]
  シンチレータを用いた核放射線検出器は、粒子・高エネルギー物理実験、核医学イメージング、産業・環境検出等に広く利用されている。 本稿では,従来の時系列解析に基づくシンチレーション信号のキャラクタリゼーションに適したネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-10-09T02:44:53Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• Lamarr: LHCb ultra-fast simulation based on machine learning models deployed within Gauss [0.0]
  LHCb実験における検出器応答と再構成アルゴリズムの両方をパラメータ化するシミュレーション生成を高速化するフレームワークであるLamarrについて論じる。 複数のアルゴリズムと戦略を駆使した深部生成モデルを用いて、LHCb検出器の単一成分の高レベル応答を効果的にパラメータ化する。
  論文  参考訳（メタデータ） (2023-03-20T20:18:04Z)
• Synthetic Wave-Geometric Impulse Responses for Improved Speech Dereverberation [69.1351513309953]
  室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。 本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
  論文  参考訳（メタデータ） (2022-12-10T20:15:23Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Deep Transformer Networks for Time Series Classification: The NPP Safety Case [59.20947681019466]
  時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。 トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
  論文  参考訳（メタデータ） (2021-04-09T14:26:25Z)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)
• Parameter Estimation using Neural Networks in the Presence of Detector Effects [4.230838081898361]
  ヒストグラムベースのテンプレートフィッティングは、高エネルギー物理モンテカルロ発生器のパラメータを推定する主要な手法である。 パラメタライズされたニューラルネットワークの再重み付けは、このフィッティング手順を多くの次元に拡張するために使用することができ、ビンニングを必要としない。 我々は、検出器シミュレーションを伴う1つのデータセットと、検出効果を含まない1つの世代レベルのデータセットのみを必要とする、新しい2段階のフィッティングアプローチを導入する。
  論文  参考訳（メタデータ） (2020-10-07T18:00:01Z)
• Event Cause Analysis in Distribution Networks using Synchro Waveform Measurements [2.3780731536926165]
  本稿では,配信ネットワークにおける状況認識を高めるために,事象原因分析のための機械学習手法を提案する。 提案手法は,機械学習,畳み込みニューラルネットワーク(CNN)に基づく。
  論文  参考訳（メタデータ） (2020-08-25T01:25:59Z)

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。