Fugu-MT 論文翻訳(概要): Ultra-High-Resolution Detector Simulation with Intra-Event Aware GAN and Self-Supervised Relational Reasoning

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

Deep Generative Models for Ultra-High Granularity Particle Physics Detector Simulation: A Voyage From Emulation to Extrapolation [0.0]
この論文は、ベルIIの実験でPixel Vertex Detector (PXD)のこの課題を克服することを目的としている。本研究は、粒子物理学における超高粒度検出器シミュレーションに深部生成モデルを用いた結果について初めて紹介する。
論文参考訳（メタデータ） (2024-03-05T23:12:47Z)
Deep Generative Models for Detector Signature Simulation: A Taxonomic Review [0.0]
粒子物理学検出器からの信号は衝突の物理を符号化する低レベル物体(エネルギー沈降や軌道など)である。検出器におけるそれらの完全なシミュレーションは、計算と記憶集約的なタスクである。我々は,検出器シグネチャのシミュレーションについて,既存の文献の包括的かつ徹底的な分類学的レビューを行う。
論文参考訳（メタデータ） (2023-12-15T08:27:39Z)
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)
GAFlow: Incorporating Gaussian Attention into Optical Flow [62.646389181507764]
我々はガウス的注意(GA)を光学フローモデルに押し込み、表現学習中に局所特性をアクセントする。本稿では,既存の Transformer ブロックに簡単に接続可能な新しい Gaussian-Constrained Layer (GCL) を提案する。動作解析のための新しいガウス誘導注意モジュール(GGAM)を提供する。
論文参考訳（メタデータ） (2023-09-28T07:46:01Z)
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)
Near-optimal Policy Identification in Active Reinforcement Learning [84.27592560211909]
AE-LSVI はカーネル化された最小二乗値 RL (LSVI) アルゴリズムの新しい変種であり、楽観主義と悲観主義を組み合わせて活発な探索を行う。 AE-LSVIは初期状態に対するロバスト性が必要な場合、様々な環境で他のアルゴリズムよりも優れていることを示す。
論文参考訳（メタデータ） (2022-12-19T14:46:57Z)
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)
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)
SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。