Fugu-MT 論文翻訳(概要): Equivariant Graph Neural Networks for Charged Particle Tracking

論文の概要: Equivariant Graph Neural Networks for Charged Particle Tracking

arxiv url: http://arxiv.org/abs/2304.05293v1
Date: Tue, 11 Apr 2023 15:43:32 GMT
ステータス: 処理完了
システム内更新日: 2023-04-12 14:27:12.160999
Title: Equivariant Graph Neural Networks for Charged Particle Tracking
Title（参考訳）: 荷電粒子追跡のための等変グラフニューラルネットワーク
Authors: Daniel Murnane, Savannah Thais, Ameya Thete
Abstract要約: EuclidNetは荷電粒子追跡のための新しい対称性等価GNNである。 TrackMLデータセット上の最先端のインタラクションネットワークに対してベンチマークを行う。以上の結果から,EuclidNetは小規模なモデルスケールでほぼ最先端の性能を達成できることが示唆された。
参考スコア（独自算出の注目度）: 1.6626046865692057
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph neural networks (GNNs) have gained traction in high-energy physics (HEP) for their potential to improve accuracy and scalability. However, their resource-intensive nature and complex operations have motivated the development of symmetry-equivariant architectures. In this work, we introduce EuclidNet, a novel symmetry-equivariant GNN for charged particle tracking. EuclidNet leverages the graph representation of collision events and enforces rotational symmetry with respect to the detector's beamline axis, leading to a more efficient model. We benchmark EuclidNet against the state-of-the-art Interaction Network on the TrackML dataset, which simulates high-pileup conditions expected at the High-Luminosity Large Hadron Collider (HL-LHC). Our results show that EuclidNet achieves near-state-of-the-art performance at small model scales (<1000 parameters), outperforming the non-equivariant benchmarks. This study paves the way for future investigations into more resource-efficient GNN models for particle tracking in HEP experiments.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、精度とスケーラビリティを向上させる可能性から、高エネルギー物理学(HEP)で注目を集めている。しかし、それらの資源集約的な性質と複雑な操作は、対称性同変アーキテクチャの開発を動機付けた。本研究では,荷電粒子追跡のための新しい対称性等価GNNであるEuclidNetを紹介する。 EuclidNetは衝突事象のグラフ表現を利用し、検出器のビーム線軸に対する回転対称性を強制し、より効率的なモデルをもたらす。 HL-LHC(High-Luminosity Large Hadron Collider)で期待される高ピーク条件をシミュレートするTrackMLデータセット上の最先端インタラクションネットワークに対して,EuclidNetをベンチマークした。その結果, euclidnet は小モデルスケール (<1000 パラメータ) で最先端性能を達成し,非同値ベンチマークを上回った。本研究は,HEP実験における粒子追跡のためのより資源効率の高いGNNモデルに関する今後の研究の道を開くものである。

関連論文リスト

Spatiotemporal Learning on Cell-embedded Graphs [6.8090864965073274]
学習可能なセル属性をノードエッジメッセージパッシングプロセスに導入し,地域特性の空間依存性をよりよく把握する。各種PDEシステムと1つの実世界のデータセットの実験は、CeGNNが他のベースラインモデルと比較して優れた性能を発揮することを示した。
論文参考訳（メタデータ） (2024-09-26T16:22:08Z)
Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric GNNs [66.98487644676906]
我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
論文参考訳（メタデータ） (2024-09-26T08:16:59Z)
A Comparison Between Invariant and Equivariant Classical and Quantum Graph Neural Networks [3.350407101925898]
グラフニューラルネットワーク(GNN)のような深層幾何学的手法は、高エネルギー物理学における様々なデータ解析タスクに活用されている。典型的なタスクはジェットタグであり、ジェットは異なる特徴とそれらの構成粒子間のエッジ接続を持つ点雲と見なされる。本稿では,古典的グラフニューラルネットワーク(GNN)と,その量子回路との公平かつ包括的な比較を行う。
論文参考訳（メタデータ） (2023-11-30T16:19:13Z)
EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks [51.42338058718487]
グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。 GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
論文参考訳（メタデータ） (2022-05-27T10:48:14Z)
Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文参考訳（メタデータ） (2022-04-13T08:53:41Z)
Semi-Equivariant GNN Architectures for Jet Tagging [1.6626046865692057]
本稿では,対称性検査と非制約演算を組み合わせた新しいアーキテクチャVecNetを提案し,物理インフォームドGNNの程度を学習・調整する。私たちのような一般化されたアーキテクチャは、リソース制約のあるアプリケーションで最適なパフォーマンスを提供できることが分かりました。
論文参考訳（メタデータ） (2022-02-14T18:57:12Z)
Equivariant vector field network for many-body system modeling [65.22203086172019]
Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
論文参考訳（メタデータ） (2021-10-26T14:26:25Z)
Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
論文参考訳（メタデータ） (2021-04-06T01:44:15Z)
Charged particle tracking via edge-classifying interaction networks [0.0]
本研究では, HL-LHCで期待される高ピーク条件下での荷電粒子追跡問題に対して, 物理学的動機付き相互作用ネットワーク(IN) GNNを適用した。我々は、GNNに基づくトラッキングの各段階での一連の測定を通して、INの優れたエッジ分類精度と追跡効率を実証する。提案したINアーキテクチャは,従来研究されていたGNNトラッキングアーキテクチャよりも大幅に小さく,制約のある計算環境においてGNNベースのトラッキングを実現する上で重要なサイズ削減である。
論文参考訳（メタデータ） (2021-03-30T21:58:52Z)
Performance of Particle Tracking Using a Quantum Graph Neural Network [1.0480625205078853]
大型ハドロン衝突型加速器(LHC)は、粒子衝突(光度)の瞬間的な速度を高めるためにアップグレードされ、高輝度LHCとなる。この研究は、指数関数的に増大するヒルベルト空間の恩恵を得るために、トラック再構成タスクで証明された新しいグラフニューラルネットワークモデルをハイブリッドグラフニューラルネットワークに変換する可能性を探究する。
論文参考訳（メタデータ） (2020-12-02T18:23:48Z)
Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。