論文の概要: CaloClouds: Fast Geometry-Independent Highly-Granular Calorimeter Simulation

• arxiv url: http://arxiv.org/abs/2305.04847v2
• Date: Mon, 26 Feb 2024 15:27:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-29 00:45:40.701180
• Title: CaloClouds: Fast Geometry-Independent Highly-Granular Calorimeter Simulation
• Title（参考訳）: CaloClouds: 高速な幾何学非依存な高グラニュラーカロリメータシミュレーション
• Authors: Erik Buhmann, Sascha Diefenbacher, Engin Eren, Frank Gaede, Gregor Kasieczka, Anatolii Korol, William Korcari, Katja Kr\"uger, Peter McKeown
• Abstract要約: 高粒度検出器における粒子のシャワーのシミュレーションは、粒子物理学への機械学習の適用における重要なフロンティアである。 この研究は、初めて数千の空間点の点雲を3次元空間の検出器で直接生成し、固定格子構造に頼ることなく大きなブレークスルーを成し遂げた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulating showers of particles in highly-granular detectors is a key frontier in the application of machine learning to particle physics. Achieving high accuracy and speed with generative machine learning models would enable them to augment traditional simulations and alleviate a major computing constraint. This work achieves a major breakthrough in this task by, for the first time, directly generating a point cloud of a few thousand space points with energy depositions in the detector in 3D space without relying on a fixed-grid structure. This is made possible by two key innovations: i) Using recent improvements in generative modeling we apply a diffusion model to generate photon showers as high-cardinality point clouds. ii) These point clouds of up to $6,000$ space points are largely geometry-independent as they are down-sampled from initial even higher-resolution point clouds of up to $40,000$ so-called Geant4 steps. We showcase the performance of this approach using the specific example of simulating photon showers in the planned electromagnetic calorimeter of the International Large Detector (ILD) and achieve overall good modeling of physically relevant distributions.
• Abstract（参考訳）: 高粒度検出器における粒子のシャワーのシミュレーションは、粒子物理学への機械学習の適用における重要なフロンティアである。 生成機械学習モデルによって高い精度とスピードを達成することで、従来のシミュレーションを強化し、主要なコンピューティング制約を緩和することができる。 この研究は、固定格子構造に頼らずに3d空間の検出器にエネルギーが堆積した数千の宇宙点の点雲を初めて直接生成することで、このタスクにおける大きなブレークスルーを達成している。 これは2つの重要なイノベーションによって実現される。 一 生成モデルにおける最近の改良により、光子シャワーを高濃度の点雲として生成する拡散モデルを適用した。 ii) 最大6,000ドルの点雲は、初期より高分解能の点雲(いわゆるgeant4ステップ)からダウンサンプリングされるため、主に幾何学に依存しない。 本研究は,国際大検出器(ILD)の電磁熱量計における光子シャワーシミュレーションの具体例を用いて,本手法の性能を実証し,物理的に関連する分布の総合的モデリングを行う。

関連論文リスト

• A Comprehensive Evaluation of Generative Models in Calorimeter Shower Simulation [0.0]
  ファストシミュレーション」は計算ボトルネックを克服する上で重要な役割を担っている。 深部生成モデルの使用により、検出器シミュレーションのための代理モデルへの関心が高まった。 評価の結果,CaloDiffusionおよびCaloScore生成モデルが最も正確な粒子シャワーシミュレーションを行った。
  論文  参考訳（メタデータ） (2024-06-08T11:17:28Z)
• CaloClouds II: Ultra-Fast Geometry-Independent Highly-Granular Calorimeter Simulation [0.0]
  生成する機械学習モデルは、物理解析において従来のシミュレーションチェーンをスピードアップし、拡張することが示されている。 主要な進歩として最近導入されたCaloCloudsモデルがあり、予想される国際大型検出器(ILD)の電磁熱量計のための点雲としてカロリーメータシャワーを生成する。 この記事では、多数の重要な改善が加えられたCaloClouds IIを紹介します。これには、連続的なスコアベースのモデリングが含まれています。これにより、CaloCloudsに匹敵する25ステップのサンプリングが可能になり、単一のCPU上でGeant4よりも6倍のスピードアップを実現します。
  論文  参考訳（メタデータ） (2023-09-11T18:00:02Z)
• Comparison of Point Cloud and Image-based Models for Calorimeter Fast Simulation [48.26243807950606]
  2つの最先端スコアベースのモデルが、同じカロリーメータのシミュレーションに基づいてトレーニングされ、直接比較される。 生成モデルは、高次元のカロリーメーターデータセットを正確に生成することが示されている新しい生成モデルのクラスである。
  論文  参考訳（メタデータ） (2023-07-10T08:20:45Z)
• StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
  StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。 我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2023-03-28T08:21:44Z)
• MeshDiffusion: Score-based Generative 3D Mesh Modeling [68.40770889259143]
  本研究では,シーンの自動生成と物理シミュレーションのための現実的な3次元形状生成の課題について考察する。 メッシュのグラフ構造を利用して、3Dメッシュを生成するのにシンプルだが非常に効果的な生成モデリング手法を用いる。 具体的には、変形可能な四面体格子でメッシュを表現し、この直接パラメトリゼーション上で拡散モデルを訓練する。
  論文  参考訳（メタデータ） (2023-03-14T17:59:01Z)
• Controllable Mesh Generation Through Sparse Latent Point Diffusion Models [105.83595545314334]
  メッシュ生成のための新しいスパース潜在点拡散モデルを設計する。 私たちの重要な洞察は、ポイントクラウドをメッシュの中間表現と見なし、代わりにポイントクラウドの分布をモデル化することです。 提案したスパース潜在点拡散モデルにより,生成品質と制御性において優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-03-14T14:25:29Z)
• Geometry-aware Autoregressive Models for Calorimeter Shower Simulations [6.01665219244256]
  本研究では, 幾何線量に基づく幾何学的自己回帰モデルを構築した。 これは、新しい目に見えないカロリーメーターに一般化できるモデルを構築するための、概念実証の重要なステップである。 このようなモデルは、大型ハドロン衝突型加速器実験において、カロリーメータシミュレーションに使用される数百の生成モデルを置き換えることができる。
  論文  参考訳（メタデータ） (2022-12-16T01:45:17Z)
• CaloMan: Fast generation of calorimeter showers with density estimation on learned manifolds [10.089611750812391]
  計算に高価なシミュレーションのほとんどは、カロリーメータのシャワーを含む。 深部生成モデルにより、物理に基づくシミュレーションよりもはるかに早く、リアルなカロリーメータのシャワーを発生させることができる。 まず、その多様体構造を学習し、次にこの多様体にまたがるデータの密度を推定することで、熱量計のシャワーをモデル化する。
  論文  参考訳（メタデータ） (2022-11-23T19:00:03Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• SUPA: A Lightweight Diagnostic Simulator for Machine Learning in Particle Physics [0.0]
  SUPAは, 簡易な粒子伝搬, 散乱, シャワー発生をシミュレーションしてデータを生成するアルゴリズムおよびソフトウェアパッケージである。 提案したシミュレータは、デスクトップマシン上で毎秒数千の粒子シャワーを発生し、Geant4の最大6桁の速度を発生させる。
  論文  参考訳（メタデータ） (2022-02-10T13:14:12Z)
• Photon detection probability prediction using one-dimensional generative neural network [62.997667081978825]
  本論文では,OuterProduct-layer を用いて特徴を効率よく生成する一次元生成モデルを提案する。 このモデルは光子輸送シミュレーションをバイパスし、特定の光子検出器によって検出された光子の数をGeant4simulationと同じレベルで予測する。 この生成モデルは、ProtoDUNEやDUNEのような巨大な液体アルゴン検出器の光子検出確率を迅速に予測するために用いられる。
  論文  参考訳（メタデータ） (2021-09-11T01:43:12Z)

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。