論文の概要: Progress towards an improved particle flow algorithm at CMS with machine learning

• arxiv url: http://arxiv.org/abs/2303.17657v1
• Date: Thu, 30 Mar 2023 18:41:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-03 16:15:55.832946
• Title: Progress towards an improved particle flow algorithm at CMS with machine learning
• Title（参考訳）: 機械学習を用いたCMSにおける改良粒子流アルゴリズムの進歩
• Authors: Farouk Mokhtar, Joosep Pata, Javier Duarte, Eric Wulff, Maurizio Pierini, Jean-Roch Vlimant
• Abstract要約: CERN LHCにおけるCMS実験において、粒子流(PF)はイベント再構成において中心的な重要性を持つ。 近年,PF再構成を行うグラフニューラルネットワークであるMLPFアルゴリズムをCMSで探索している。 我々は,生成/シミュレーションレベルの粒子情報を用いて最適化されたアルゴリズムF再構成の実装に向けたCMSの進歩について論じる。 これにより、物理量の観点から検出器の応答を潜在的に改善する道が開ける。
• 参考スコア（独自算出の注目度）: 8.3763093941108
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The particle-flow (PF) algorithm, which infers particles based on tracks and calorimeter clusters, is of central importance to event reconstruction in the CMS experiment at the CERN LHC, and has been a focus of development in light of planned Phase-2 running conditions with an increased pileup and detector granularity. In recent years, the machine learned particle-flow (MLPF) algorithm, a graph neural network that performs PF reconstruction, has been explored in CMS, with the possible advantages of directly optimizing for the physical quantities of interest, being highly reconfigurable to new conditions, and being a natural fit for deployment to heterogeneous accelerators. We discuss progress in CMS towards an improved implementation of the MLPF reconstruction, now optimized using generator/simulation-level particle information as the target for the first time. This paves the way to potentially improving the detector response in terms of physical quantities of interest. We describe the simulation-based training target, progress and studies on event-based loss terms, details on the model hyperparameter tuning, as well as physics validation with respect to the current PF algorithm in terms of high-level physical quantities such as the jet and missing transverse momentum resolutions. We find that the MLPF algorithm, trained on a generator/simulator level particle information for the first time, results in broadly compatible particle and jet reconstruction performance with the baseline PF, setting the stage for improving the physics performance by additional training statistics and model tuning.
• Abstract（参考訳）: トラックとカロリメータのクラスターに基づいて粒子を推定する粒子フロー(pf)アルゴリズムはcern lhcのcms実験においてイベントリコンストラクションの中心的重要であり、パイルアップと検出器粒度の増加を伴う計画段階2の走行条件に照らして開発が進められている。 近年、pf再構成を行うグラフニューラルネットワークである machine learned particle-flow (mlpf) アルゴリズムがcmsで研究されており、興味の物理量を直接最適化し、新しい条件に高度に再構成可能であり、異種加速器への展開に自然に適合する利点がある。 本報告では,MLPF 再構成の実装改善に向けた CMS の進展を論じ,生成/シミュレーションレベル粒子情報をターゲットとして最適化した。 これにより、関心の物理量の観点から検出器応答を改善することができる。 シミュレーションに基づくトレーニングターゲット,事象に基づく損失項の進展と研究,モデルハイパーパラメータチューニングの詳細,およびジェットのような高レベルな物理量と過渡運動量分解能の欠如の観点からの現在のPFアルゴリズムに関する物理検証について述べる。 MLPFアルゴリズムは, 生成/シミュレーションレベル粒子情報を初めてトレーニングし, ベースラインPFと広範囲に互換性のある粒子とジェットの再構成性能を実現し, 追加のトレーニング統計とモデルチューニングによる物理性能向上のステージを設定した。

関連論文リスト

• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• Improved particle-flow event reconstruction with scalable neural networks for current and future particle detectors [1.4609888393206634]
  電子-陽電子衝突における事象再構成のためのスケーラブルな機械学習モデルについて, フル検出器シミュレーションに基づく検討を行った。 グラフニューラルネットワークとカーネルベースのトランスフォーマーを比較し、現実的な再構築を実現しつつ、操作を回避できることを実証する。 最良のグラフニューラルネットワークモデルでは、ルールベースのアルゴリズムと比較して、ジェット横運動量分解能が最大50%向上している。
  論文  参考訳（メタデータ） (2023-09-13T08:16:15Z)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)
• Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
  インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。 本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
  論文  参考訳（メタデータ） (2022-03-26T20:37:14Z)
• Machine Learning for Particle Flow Reconstruction at CMS [7.527568379083754]
  CMSのための機械学習に基づく粒子フローアルゴリズムの実装について詳述する。 このアルゴリズムは、温度計クラスタとトラックに基づいて安定粒子を再構成し、グローバルなイベント再構成を提供する。
  論文  参考訳（メタデータ） (2022-03-01T10:11:44Z)
• Explaining machine-learned particle-flow reconstruction [0.0]
  粒子流(PF)アルゴリズムは、衝突の包括的粒子レベルビューを再構築するために汎用粒子検出器で使用される。 機械学習粒子フロー(MLPF)アルゴリズムとして知られるグラフニューラルネットワーク(GNN)モデルが,規則に基づくPFアルゴリズムの代替として開発された。
  論文  参考訳（メタデータ） (2021-11-24T23:20:03Z)
• PhysFormer: Facial Video-based Physiological Measurement with Temporal Difference Transformer [55.936527926778695]
  近年のディープラーニングアプローチは、時間的受容の限られた畳み込みニューラルネットワークを用いた微妙なrの手がかりのマイニングに重点を置いている。 本稿では,エンドツーエンドのビデオトランスをベースとしたアーキテクチャであるPhysFormerを提案する。
  論文  参考訳（メタデータ） (2021-11-23T18:57:11Z)
• MLPF: Efficient machine-learned particle-flow reconstruction using graph neural networks [0.0]
  汎用粒子検出器では、粒子フローアルゴリズムを用いて事象の粒子レベルビューを再構築することができる。 並列化可能,スケーラブル,グラフニューラルネットワークに基づく,エンドツーエンドのトレーニング可能,マシン学習型粒子フローアルゴリズムを提案する。 陽子-陽子衝突で生成したトップクォーク-反クォーク対のモンテカルロデータセット上で,アルゴリズムの物理および計算性能について報告する。
  論文  参考訳（メタデータ） (2021-01-21T12:47:54Z)
• 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)
• Augmentation of the Reconstruction Performance of Fuzzy C-Means with an Optimized Fuzzification Factor Vector [99.19847674810079]
  Fuzzy C-Means (FCM) は情報グラニュラーを構成する最も頻繁に使用される手法の1つである。 本稿では, ファジィ化因子のベクトルを導入することにより, FCMに基づく脱顆粒機構を増強する。 合成データセットと公開データセットの両方で実験が完了し、提案手法が汎用データ再構成手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-13T04:17:30Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。