論文の概要: Inductive Simulation of Calorimeter Showers with Normalizing Flows

• arxiv url: http://arxiv.org/abs/2305.11934v2
• Date: Tue, 13 Feb 2024 20:09:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-15 20:13:42.559369
• Title: Inductive Simulation of Calorimeter Showers with Normalizing Flows
• Title（参考訳）: 正規化流れを伴う熱量計のインダクティブシミュレーション
• Authors: Matthew R. Buckley, Claudius Krause, Ian Pang, David Shih
• Abstract要約: iCaloFlowは、連続したカロリー層内のエネルギー蓄積パターンに基づいて訓練された、誘導型正規化フローに基づく高速検出器シミュレーションのためのフレームワークである。 示すように、iCaloFlowは、以前考えられていたよりも10倍から100倍高い検出器測地上で高速で高忠実なシミュレーションを行う際に、フローを正規化する可能性を実現することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulating particle detector response is the single most expensive step in the Large Hadron Collider computational pipeline. Recently it was shown that normalizing flows can accelerate this process while achieving unprecedented levels of accuracy, but scaling this approach up to higher resolutions relevant for future detector upgrades leads to prohibitive memory constraints. To overcome this problem, we introduce Inductive CaloFlow (iCaloFlow), a framework for fast detector simulation based on an inductive series of normalizing flows trained on the pattern of energy depositions in pairs of consecutive calorimeter layers. We further use a teacher-student distillation to increase sampling speed without loss of expressivity. As we demonstrate with Datasets 2 and 3 of the CaloChallenge2022, iCaloFlow can realize the potential of normalizing flows in performing fast, high-fidelity simulation on detector geometries that are ~ 10 - 100 times higher granularity than previously considered.
• Abstract（参考訳）: 粒子検出器応答のシミュレーションは、大型ハドロン衝突型加速器計算パイプラインで最も高価なステップである。 近年, 流れの正規化は前例のない精度を達成しつつ, このプロセスの高速化を図っているが, 将来の検出器アップグレードに関連する高解像度化にアプローチを拡大することは, メモリ制約の禁止につながることが示されている。 この問題を解決するために, 連続したカロリー層内のエネルギー沈着パターンに基づいて訓練された誘導型正規化流れに基づいて, 高速検出器シミュレーションのためのフレームワークiCaloFlowを導入する。 さらに, 教師留学生蒸留を用いて, 表現力を失うことなくサンプリング速度を向上する。 calochallenge2022のデータセット2と3で示すように、icaloflowは、従来考えられていた10倍から100倍の粒度を持つ検出器ジオメトリの高速で高忠実なシミュレーションを行う際に、流れの正規化の可能性を実現することができる。

関連論文リスト

• CaloChallenge 2022: A Community Challenge for Fast Calorimeter Simulation [22.42342223406944]
  我々は,「Fast Calorimeter Simulation Challenge 2022 - the CaloChallenge」の結果を提示する。 本研究では,4カロリーのシャワーデータセットの次元性向上に関する最先端生成モデルについて検討した。
  論文  参考訳（メタデータ） (2024-10-28T23:28:07Z)
• Convolutional L2LFlows: Generating Accurate Showers in Highly Granular Calorimeters Using Convolutional Normalizing Flows [0.0]
  我々はL2LFlowsを拡張して、横方向の9倍のプロファイルでシャワーをシミュレートする。 畳み込み層とU-Net型接続を導入し,マスク付き自己回帰フローから結合層へ移行する。
  論文  参考訳（メタデータ） (2024-05-30T18:25:19Z)
• Unifying Simulation and Inference with Normalizing Flows [0.08796261172196743]
  エネルギー回帰のための条件付き生成モデルから最大極大推定(MLE)を用いて2つのタスクを統一できることを示す。 ATLASライクなカロリーメータシミュレーションを用いて、この概念をカロリーメータのエネルギーキャリブレーションの文脈で実証する。
  論文  参考訳（メタデータ） (2024-04-29T18:00:00Z)
• Training Dynamics of Multi-Head Softmax Attention for In-Context Learning: Emergence, Convergence, and Optimality [54.20763128054692]
  マルチタスク線形回帰の文脈内学習のためのマルチヘッドソフトマックスアテンションモデルを訓練するための勾配流のダイナミクスについて検討する。 我々は,勾配流のダイナミックス中に,興味深い「タスク割り当て」現象が現れることを証明した。
  論文  参考訳（メタデータ） (2024-02-29T18:43:52Z)
• CaloDVAE : Discrete Variational Autoencoders for Fast Calorimeter Shower Simulation [2.0646127669654826]
  カロリメータシミュレーションはモンテカルロのサンプル生成で最も計算コストがかかる部分である。 電磁カルロメータ内の粒子シャワーをシミュレートするための離散変分オートエンコーダ(DVAE)に基づく手法を提案する。
  論文  参考訳（メタデータ） (2022-10-14T00:18:40Z)
• Deep Equilibrium Optical Flow Estimation [80.80992684796566]
  最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。 これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。 暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
  論文  参考訳（メタデータ） (2022-04-18T17:53:44Z)
• GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
  光フロー推定学習のためのGMFlowフレームワークを提案する。 機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。 我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
  論文  参考訳（メタデータ） (2021-11-26T18:59:56Z)
• CaloFlow: Fast and Accurate Generation of Calorimeter Showers with Normalizing Flows [0.0]
  正規化フローに基づく高速検出器シミュレーションフレームワークであるCaloFlowを紹介する。 本研究は, フローの正規化により, 極めて高い忠実度で多チャンネルのカロリーメータシャワーを再現できることを初めて実証した。
  論文  参考訳（メタデータ） (2021-06-09T18:00:02Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• Fast and differentiable simulation of driven quantum systems [58.720142291102135]
  我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。 回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
  論文  参考訳（メタデータ） (2020-12-16T21:43:38Z)
• Self Normalizing Flows [65.73510214694987]
  本稿では,各層における学習された近似逆数により,勾配の高価な項を置き換えることで,フローの正規化を訓練するための柔軟なフレームワークを提案する。 これにより、各レイヤの正確な更新の計算複雑性が$mathcalO(D3)$から$mathcalO(D2)$に削減される。 実験により,これらのモデルは非常に安定であり,正確な勾配値と類似したデータ可能性値に最適化可能であることが示された。
  論文  参考訳（メタデータ） (2020-11-14T09:51:51Z)

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。