論文の概要: Trigger-Level Event Reconstruction for Neutrino Telescopes Using Sparse
Submanifold Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2303.08812v1
- Date: Wed, 15 Mar 2023 17:59:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-16 18:00:06.535389
- Title: Trigger-Level Event Reconstruction for Neutrino Telescopes Using Sparse
Submanifold Convolutional Neural Networks
- Title(参考訳): スパースサブマニフォールド畳み込みニューラルネットワークを用いたニュートリノ望遠鏡のトリガーレベルイベント再構成
- Authors: Felix J. Yu, Jeffrey Lazar, Carlos A. Arg\"uelles
- Abstract要約: 畳み込みニューラルネットワーク(CNN)はニュートリノ望遠鏡を含む科学データ分析に広く応用されている。
これらの問題の解決策としてスパースサブマニフォールド畳み込み(SSCNN)を提案する。
SSCNNイベント再構成性能は従来の機械学習アルゴリズムに匹敵するか否かを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Convolutional neural networks (CNNs) have seen extensive applications in
scientific data analysis, including in neutrino telescopes. However, the data
from these experiments present numerous challenges to CNNs, such as non-regular
geometry, sparsity, and high dimensionality. Consequently, CNNs are highly
inefficient on neutrino telescope data, and require significant pre-processing
that results in information loss. We propose sparse submanifold convolutions
(SSCNNs) as a solution to these issues and show that the SSCNN event
reconstruction performance is comparable to or better than traditional and
machine learning algorithms. Additionally, our SSCNN runs approximately 16
times faster than a traditional CNN on a GPU. As a result of this speedup, it
is expected to be capable of handling the trigger-level event rate of
IceCube-scale neutrino telescopes. These networks could be used to improve the
first estimation of the neutrino energy and direction to seed more advanced
reconstructions, or to provide this information to an alert-sending system to
quickly follow-up interesting events.
- Abstract(参考訳): 畳み込みニューラルネットワーク(CNN)はニュートリノ望遠鏡を含む科学データ分析に広く応用されている。
しかし、これらの実験のデータは、非正則幾何学、スパーシティ、高次元など、cnnに多くの課題をもたらしている。
したがって、cnnはニュートリノ望遠鏡のデータでは極めて非効率であり、情報損失をもたらす重要な前処理を必要とする。
これらの問題の解決策としてスパースサブマニフォールド畳み込み(SSCNN)を提案し、SSCNNイベント再構成性能が従来の機械学習アルゴリズムに匹敵するか否かを示す。
さらに、SSCNNはGPU上の従来のCNNの約16倍の速度で動作します。
このスピードアップの結果、アイスキューブスケールのニュートリノ望遠鏡のトリガーレベルの事象率を処理できることが期待されている。
これらのネットワークは、ニュートリノエネルギーと方向の最初の推定を改善して、より高度な再構築を施したり、興味深い出来事を素早くフォローアップするために警告送信システムにこの情報を提供するために使用できる。
関連論文リスト
- GraphNeT: Graph neural networks for neutrino telescope event
reconstruction [0.0]
GraphNeTは、グラフニューラルネットワーク(GNN)を用いたニュートリノ望遠鏡の再構成タスクを実行するためのオープンソースのピソンフレームワークである。
GraphNeTのGNNは、アイスキューブ拡張やP-ONEのような将来のプロジェクトを含む全てのニュートリノ望遠鏡のデータに適用できるほど柔軟である。
これは、GNNベースの再構成が、ニュートリノ望遠鏡のほとんどの再建作業、リアルタイムの事象率、実験や物理分析、ニュートリノや天体物理学に大きな影響を与える可能性があることの、最先端のパフォーマンスを提供するために使われることを意味している。
論文 参考訳(メタデータ) (2022-10-21T18:43:50Z) - Adaptive-SpikeNet: Event-based Optical Flow Estimation using Spiking
Neural Networks with Learnable Neuronal Dynamics [6.309365332210523]
ニューラルインスパイアされたイベント駆動処理でニューラルネットワーク(SNN)をスパイクすることで、非同期データを効率的に処理できる。
スパイク消滅問題を緩和するために,学習可能な神経力学を用いた適応型完全スパイキングフレームワークを提案する。
実験の結果,平均終端誤差(AEE)は最先端のANNと比較して平均13%減少した。
論文 参考訳(メタデータ) (2022-09-21T21:17:56Z) - Event-based Video Reconstruction via Potential-assisted Spiking Neural
Network [48.88510552931186]
バイオインスパイアされたニューラルネットワークは、イベント駆動ハードウェア上での計算効率の向上につながる可能性がある。
完全スパイキングニューラルネットワーク(EVSNN)に基づくイベントベースビデオ再構成フレームワークを提案する。
スパイクニューロンは、そのような時間依存タスクを完了させるために有用な時間情報(メモリ)を格納する可能性がある。
論文 参考訳(メタデータ) (2022-01-25T02:05:20Z) - Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for
Event-Based Vision [64.71260357476602]
イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。
イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。
本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-12-06T23:45:58Z) - SpikeMS: Deep Spiking Neural Network for Motion Segmentation [7.491944503744111]
textitSpikeMSは、モーションセグメンテーションの大規模な問題に対する最初のディープエンコーダデコーダSNNアーキテクチャである。
textitSpikeMSは,テキストインクリメンタルな予測や,より少ない量のテストデータからの予測を行うことができることを示す。
論文 参考訳(メタデータ) (2021-05-13T21:34:55Z) - Quantum Convolutional Neural Networks for High Energy Physics Data
Analysis [7.0132255816377445]
本研究では、高エネルギー物理事象の分類のための量子畳み込みニューラルネットワーク(QCNN)を提案する。
提案するアーキテクチャは、従来の畳み込みニューラルネットワーク(cnns)よりも、同じ数のパラメータで高速に学習する量子的な利点を示す。
論文 参考訳(メタデータ) (2020-12-22T17:14:47Z) - Progressive Tandem Learning for Pattern Recognition with Deep Spiking
Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。
高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-02T15:38:44Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳(メタデータ) (2020-03-26T11:13:07Z) - Event-Based Angular Velocity Regression with Spiking Networks [51.145071093099396]
スパイキングニューラルネットワーク(SNN)は、数値ではなく時間スパイクとして伝達される情報を処理する。
本稿では,イベントカメラから与えられた事象の時間回帰問題を初めて提案する。
角速度回帰を行うためにSNNをうまく訓練できることが示される。
論文 参考訳(メタデータ) (2020-03-05T17:37:16Z) - Curriculum By Smoothing [52.08553521577014]
畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。
アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。
トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
論文 参考訳(メタデータ) (2020-03-03T07:27:44Z) - The use of Convolutional Neural Networks for signal-background
classification in Particle Physics experiments [0.4301924025274017]
広範に畳み込み型ニューラルアーキテクチャ探索を行い,HEP分類のための信号/背景識別を高精度に行う。
パラメータが少ないCNNで複雑なResNetアーキテクチャと同じ精度を実現できることを示す。
論文 参考訳(メタデータ) (2020-02-13T19:54:46Z)
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。