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
- EPiC-ly Fast Particle Cloud Generation with Flow-Matching and Diffusion [0.7255608805275865]
本稿では,LHCジェットを点雲として効率的に高精度に生成する2つの新しい手法を提案する。
epcjediとepはどちらも、トップクォークのJetNetデータセット上で最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-09-29T18:00:03Z) - 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) - EPiC-GAN: Equivariant Point Cloud Generation for Particle Jets [0.0]
EPiC-GAN - 同変点雲生成逆数ネットワーク - を導入し、可変多重性の点雲を生成する。
EPiC-GANは、大規模粒子乗数によく対応し、ベンチマークジェット生成タスクにおける高世代忠実性を実現する。
論文 参考訳(メタデータ) (2023-01-17T19:00:00Z) - Particle clustering in turbulence: Prediction of spatial and statistical
properties with deep learning [6.91821181311687]
等方性流体乱流の周期領域におけるEpsteinドラッグ状態における粒子の動力学をシミュレートする。
我々はU-Netディープラーニングモデルを訓練し、対応する流体場を入力として与えられた粒子密度と速度場の格子表現を予測する。
以上の結果から, 深層学習は, 乱流内の粒子群集の予測において, 直接数値シミュレーションを補完する可能性が示唆された。
論文 参考訳(メタデータ) (2022-10-05T15:46:28Z) - On the Influence of Enforcing Model Identifiability on Learning dynamics
of Gaussian Mixture Models [14.759688428864159]
特異モデルからサブモデルを抽出する手法を提案する。
本手法はトレーニング中のモデルの識別性を強制する。
この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
論文 参考訳(メタデータ) (2022-06-17T07:50:22Z) - 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) - Understanding Neural Abstractive Summarization Models via Uncertainty [54.37665950633147]
seq2seq抽象要約モデルは、自由形式の方法でテキストを生成する。
モデルのトークンレベルの予測のエントロピー、すなわち不確実性について検討する。
要約とテキスト生成モデルをより広範囲に解析する上で,不確実性は有用であることを示す。
論文 参考訳(メタデータ) (2020-10-15T16:57:27Z) - Automating Turbulence Modeling by Multi-Agent Reinforcement Learning [4.784658158364452]
乱流モデルの自動検出ツールとしてマルチエージェント強化学習を導入する。
等方性乱流と等方性乱流の大規模渦シミュレーションにおけるこのアプローチの可能性を示す。
論文 参考訳(メタデータ) (2020-05-18T18:45:09Z) - 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) - 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。