論文の概要: Ultra-High-Resolution Detector Simulation with Intra-Event Aware GAN and
Self-Supervised Relational Reasoning
- arxiv url: http://arxiv.org/abs/2303.08046v1
- Date: Tue, 7 Mar 2023 09:20:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-19 11:37:42.777486
- Title: Ultra-High-Resolution Detector Simulation with Intra-Event Aware GAN and
Self-Supervised Relational Reasoning
- Title(参考訳): イベント内GANを用いた超高分解能リレーショナル推論
- Authors: Hosein Hashemi, Nikolai Hartmann, Sahand Sharifzadeh, James Kahn,
Thomas Kuhr
- Abstract要約: Intra-Event Aware GAN (IEA-GAN) は、セルフ・スーパーバイザード・ラーニングとジェネレーティブ・アドリラル・ネットワークの融合である。
IEA-GANは、イベントベースの推論による忠実な超高分解能検出器シミュレーションのための最初のアルゴリズムである。
- 参考スコア(独自算出の注目度): 1.179296191012968
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simulating high-resolution detector responses is a storage-costly and
computationally intensive process that has long been challenging in particle
physics. Despite the ability of deep generative models to make this process
more cost-efficient, ultra-high-resolution detector simulation still proves to
be difficult as it contains correlated and fine-grained mutual information
within an event. To overcome these limitations, we propose Intra-Event Aware
GAN (IEA-GAN), a novel fusion of Self-Supervised Learning and Generative
Adversarial Networks. IEA-GAN presents a Relational Reasoning Module that
approximates the concept of an ''event'' in detector simulation, allowing for
the generation of correlated layer-dependent contextualized images for
high-resolution detector responses with a proper relational inductive bias.
IEA-GAN also introduces a new intra-event aware loss and a Uniformity loss,
resulting in significant enhancements to image fidelity and diversity. We
demonstrate IEA-GAN's application in generating sensor-dependent images for the
high-granularity Pixel Vertex Detector (PXD), with more than 7.5M information
channels and a non-trivial geometry, at the Belle II Experiment. Applications
of this work include controllable simulation-based inference and event
generation, high-granularity detector simulation such as at the HL-LHC (High
Luminosity LHC), and fine-grained density estimation and sampling. To the best
of our knowledge, IEA-GAN is the first algorithm for faithful
ultra-high-resolution detector simulation with event-based reasoning.
- Abstract(参考訳): 高分解能検出器応答のシミュレーションは、ストレージコストと計算集約的なプロセスであり、長い間素粒子物理学において挑戦されてきた。
このプロセスをよりコスト効率良くするための深い生成モデルがあるにもかかわらず、超高分解能検出器シミュレーションは、イベント内の相関および細かな相互情報を含んでいるため、依然として困難である。
このような制約を克服するため,我々は,自己監督学習と生成支援ネットワークを融合したイベント・アウェア・ガン(IEA-GAN)を提案する。
IEA-GANは、検出器シミュレーションにおける'event'の概念を近似したリレーショナル推論モジュールを提案し、適切なリレーショナル帰納バイアスを持つ高分解能検出器応答のための相関層依存のコンテキスト化画像を生成する。
IEA-GANはまた、新たなイベント内認識損失と統一損失を導入し、画像の忠実度と多様性を著しく向上させた。
我々はベルII実験において、7.5M以上の情報チャネルと非自明な幾何を持つ高粒度Pixel Vertex Detector (PXD) のセンサ依存画像生成におけるIEA-GANの適用を実証した。
この研究には、制御可能なシミュレーションベースの推論とイベント生成、HL-LHC(High Luminosity LHC)のような高粒度検出器シミュレーション、詳細な密度推定とサンプリングが含まれる。
我々の知る限り、IEA-GANはイベントベースの推論による忠実な超高分解能検出器シミュレーションのための最初のアルゴリズムである。
関連論文リスト
- Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。
本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。
エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。
さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文 参考訳(メタデータ) (2023-10-16T05:49:28Z) - Reduced Simulations for High-Energy Physics, a Middle Ground for
Data-Driven Physics Research [0.0]
サブ原子粒子軌道再構成は高エネルギー物理実験において重要な課題である。
我々は,複雑性低減型検出器モデルとしてREDVID(REDuced VIrtual Detector)と粒子衝突イベントシミュレータコンボを提供する。
論文 参考訳(メタデータ) (2023-08-30T12:50:45Z) - ESSAformer: Efficient Transformer for Hyperspectral Image
Super-resolution [76.7408734079706]
単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。
本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
論文 参考訳(メタデータ) (2023-07-26T07:45:14Z) - 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) - Task-Oriented Sensing, Computation, and Communication Integration for
Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。
推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文 参考訳(メタデータ) (2022-07-03T06:57:07Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳(メタデータ) (2022-06-10T04:54:13Z) - Towards Reliable Neural Generative Modeling of Detectors [0.45671221781968335]
本稿では,LHCb実験イベントのシミュレーションにおけるGAN(Generative Adversarial Network)の適用について論じる。
結果は、LHCbチェレンコフ検出器のGeant4シミュレーションに基づいている。
論文 参考訳(メタデータ) (2022-04-21T08:14:24Z) - DepthFormer: Exploiting Long-Range Correlation and Local Information for
Accurate Monocular Depth Estimation [50.08080424613603]
高精度な単分子深度推定には長距離相関が不可欠である。
我々は,このグローバルコンテキストを効果的な注意機構でモデル化するためにTransformerを活用することを提案する。
提案したモデルであるDepthFormerは、最先端のモノクル深度推定手法をはるかに超えている。
論文 参考訳(メタデータ) (2022-03-27T05:03:56Z) - RRNet: Relational Reasoning Network with Parallel Multi-scale Attention
for Salient Object Detection in Optical Remote Sensing Images [82.1679766706423]
光リモートセンシング画像(RSI)のためのSODは、光学RSIから視覚的に特徴的な物体や領域を探索・抽出することを目的としている。
光学RSIにおけるSODに並列なマルチスケールアテンションを持つリレーショナル推論ネットワークを提案する。
提案するRRNetは,既存の最先端SODコンペティタよりも質的,定量的に優れている。
論文 参考訳(メタデータ) (2021-10-27T07:18:32Z) - Application of Video-to-Video Translation Networks to Computational
Fluid Dynamics [0.0]
本研究の目的は,GANを用いたCFDシミュレーションの計算コストを削減することである。
低コスト・高精度シミュレーションの結果は, 低コスト・低精度シミュレーションの結果から推定できることが示されている。
特に、高分解能グリッドの場合の密度分布の時間発展は、低分解能グリッドの場合からGANを通して再現される。
論文 参考訳(メタデータ) (2021-09-12T02:26:58Z) - Data Augmentation at the LHC through Analysis-specific Fast Simulation
with Deep Learning [4.666011151359189]
本稿では,大規模解析用データセットを作成するために設計されたディープニューラルネットワークに基づく高速シミュレーションアプリケーションを提案する。
本稿では,大量のジェネレータレベルのイベントから始まる高速シミュレーションワークフローを提案する。
論文 参考訳(メタデータ) (2020-10-05T07:48:45Z)
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。