論文の概要: Attention to Mean-Fields for Particle Cloud Generation

• arxiv url: http://arxiv.org/abs/2305.15254v1
• Date: Wed, 24 May 2023 15:38:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-25 14:50:26.710304
• Title: Attention to Mean-Fields for Particle Cloud Generation
• Title（参考訳）: 粒子雲発生のための平均場への注意
• Authors: Benno K\"ach, Isabell Melzer-Pellmann
• Abstract要約: 機械学習を用いたコライダーデータの生成は、粒子物理学における顕著な研究トピックとして浮上している。 粒子間の複雑な相関を正確にモデル化することは かなり困難です 本稿では,これらの課題に対処するためのアテンションベースのアグリゲーション機構を利用した新しいモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The generation of collider data using machine learning has emerged as a prominent research topic in particle physics due to the increasing computational challenges associated with traditional Monte Carlo simulation methods, particularly for future colliders with higher luminosity. Although generating particle clouds is analogous to generating point clouds, accurately modelling the complex correlations between the particles presents a considerable challenge. Additionally, variable particle cloud sizes further exacerbate these difficulties, necessitating more sophisticated models. In this work, we propose a novel model that utilizes an attention-based aggregation mechanism to address these challenges. The model is trained in an adversarial training paradigm, ensuring that both the generator and critic exhibit permutation equivariance/invariance with respect to their input. A novel feature matching loss in the critic is introduced to stabilize the training. The proposed model performs competitively to the state-of-art whilst having significantly fewer parameters.
• Abstract（参考訳）: 機械学習を用いたコライダーデータの生成は、特に光度の高い将来の衝突者にとって、モンテカルロの従来のシミュレーション手法に関連する計算問題の増加により、粒子物理学における顕著な研究トピックとして浮上している。 粒子雲の生成は点雲の生成と類似しているが、粒子間の複雑な相関を正確にモデル化することは大きな課題である。 さらに、変動粒子雲はこれらの困難をさらに悪化させ、より洗練されたモデルを必要とする。 本研究では,これらの課題に対処するために注意に基づくアグリゲーション機構を用いた新しいモデルを提案する。 モデルは敵対的なトレーニングパラダイムでトレーニングされ、ジェネレータと批評家の両方が入力に対して順列の等分散/不変性を示す。 トレーニングを安定させるために、批評家の新たな特徴マッチング損失を導入する。 提案モデルでは,パラメータが大幅に少ないのに対して,最先端のモデルと競合する。

関連論文リスト

• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• 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)
• Generative Diffusion Models for Fast Simulations of Particle Collisions at CERN [3.2686289567336235]
  高エネルギー物理シミュレーションでは、CERNの大型ハドロン衝突型加速器における粒子衝突実験の複雑さの解明に重要な役割を果たしている。 近年の進歩は、最先端の生成機械学習手法として拡散モデルの有効性を強調している。 拡散モデルに基づくALICE実験において,Zero Degree Calorimeter (ZDC) のシミュレーションを行った。
  論文  参考訳（メタデータ） (2024-06-05T13:11:53Z)
• Learning to Approximate Particle Smoothing Trajectories via Diffusion Generative Models [16.196738720721417]
  希少な観測からシステムを学ぶことは、生物学、金融学、物理学など多くの分野において重要である。 本研究では,条件付き粒子フィルタリングと祖先サンプリングと拡散モデルを統合する手法を提案する。 車両追跡や単一セルRNAシークエンシングデータなど,時系列生成とタスクにおけるアプローチを実証する。
  論文  参考訳（メタデータ） (2024-06-01T21:54:01Z)
• Particle physics DL-simulation with control over generated data properties [3.2686289567336235]
  コスト削減とシミュレーションに必要な時間を短縮することを目的とした革新的な手法の研究は、CERNにおける衝突シミュレーションの開発によって引き起こされた。 この目的のために,VAE,GAN,拡散モデルなどのディープラーニング生成手法が用いられている。 この作業は、生成されたデータプロパティを制御するメカニズムを導入することで、現在使われているアルゴリズムに代わるソリューションを提供することによって、この問題を軽減することを目的としている。
  論文  参考訳（メタデータ） (2024-05-22T22:39:29Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Deep Generative Models for Detector Signature Simulation: A Taxonomic Review [0.0]
  粒子物理学検出器からの信号は衝突の物理を符号化する低レベル物体(エネルギー沈降や軌道など)である。 検出器におけるそれらの完全なシミュレーションは、計算と記憶集約的なタスクである。 我々は,検出器シグネチャのシミュレーションについて,既存の文献の包括的かつ徹底的な分類学的レビューを行う。
  論文  参考訳（メタデータ） (2023-12-15T08:27:39Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)
• Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
  我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。 このようなモデルをリアルタイム診断に利用しています。
  論文  参考訳（メタデータ） (2020-03-04T00:44:57Z)

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。