論文の概要: Machine Learning methods for simulating particle response in the Zero Degree Calorimeter at the ALICE experiment, CERN

• arxiv url: http://arxiv.org/abs/2306.13606v1
• Date: Fri, 23 Jun 2023 16:45:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-26 12:09:23.309764
• Title: Machine Learning methods for simulating particle response in the Zero Degree Calorimeter at the ALICE experiment, CERN
• Title（参考訳）: CERN, ALICE実験におけるゼロDegree線量計の粒子応答シミュレーションのための機械学習手法
• Authors: Jan Dubi\'nski, Kamil Deja, Sandro Wenzel, Przemys{\l}aw Rokita, Tomasz Trzci\'nski
• Abstract要約: 現在、CERN GRIDの計算能力の半分以上が高エネルギー物理シミュレーションに使われている。 大型ハドロン衝突型加速器(LHC)の最新情報により、より効率的なシミュレーション手法の開発の必要性が高まっている。 機械学習を利用した問題に対する代替手法を提案する。
• 参考スコア（独自算出の注目度）: 8.980453507536017
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Currently, over half of the computing power at CERN GRID is used to run High Energy Physics simulations. The recent updates at the Large Hadron Collider (LHC) create the need for developing more efficient simulation methods. In particular, there exists a demand for a fast simulation of the neutron Zero Degree Calorimeter, where existing Monte Carlo-based methods impose a significant computational burden. We propose an alternative approach to the problem that leverages machine learning. Our solution utilises neural network classifiers and generative models to directly simulate the response of the calorimeter. In particular, we examine the performance of variational autoencoders and generative adversarial networks, expanding the GAN architecture by an additional regularisation network and a simple, yet effective postprocessing step. Our approach increases the simulation speed by 2 orders of magnitude while maintaining the high fidelity of the simulation.
• Abstract（参考訳）: 現在、CERN GRIDの計算能力の半分以上が高エネルギー物理シミュレーションに使われている。 大型ハドロン衝突型加速器(LHC)の最新情報により、より効率的なシミュレーション手法の開発の必要性が高まっている。 特に、既存のモンテカルロに基づく方法が大きな計算負荷を課す中性子ゼロ度カロリメータの高速シミュレーションの要求がある。 機械学習を利用した問題に対する代替手法を提案する。 本ソリューションでは,ニューラルネットワーク分類器と生成モデルを用いて,カロリメータの応答を直接シミュレートする。 特に,変分自己エンコーダと生成逆数ネットワークの性能について検討し,新たな正規化ネットワークとシンプルで効果的な後処理ステップによってGANアーキテクチャを拡張した。 提案手法は,シミュレーションの忠実度を維持しながら,シミュレーション速度を2桁に向上させる。

関連論文リスト

• Deep Generative Models for Proton Zero Degree Calorimeter Simulations in ALICE, CERN [3.2686289567336235]
  本稿では、ALICE実験において、プロトンZero Degree Calorimeterに合わせた革新的なディープラーニングシミュレーション手法を提案する。 本手法は,モンテカルロをベースとした従来の手法と比較して,大幅な高速化を実現する。
  論文  参考訳（メタデータ） (2024-06-05T13:41:09Z)
• 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)
• 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)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [74.93549765488103]
  薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Optimising hadronic collider simulations using amplitude neural networks [0.0]
  我々はNJet C++ライブラリから1ループ振幅でニューラルネットワークモデルをトレーニングし、Sherpa Monte Carloイベントジェネレータとインターフェースする。 その結果,分布の一致は良好であり,シミュレーション時間も30倍に短縮された。
  論文  参考訳（メタデータ） (2022-02-09T15:08:30Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Physics Validation of Novel Convolutional 2D Architectures for Speeding Up High Energy Physics Simulations [0.0]
  本稿では,GAN(Geneversarative Adrial Networks)をディープラーニング技術として応用し,温度計検出器シミュレーションを代替する。 我々は,同じ3次元画像生成問題を高速に解くために,新しい2次元畳み込みネットワークを開発した。 その結果,物理精度が向上し,高速検出器シミュレーションにおけるGANの利用がさらに強化された。
  論文  参考訳（メタデータ） (2021-05-19T07:24:23Z)
• 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)
• Data-Efficient Learning for Complex and Real-Time Physical Problem Solving using Augmented Simulation [49.631034790080406]
  本稿では,大理石を円形迷路の中心まで航行する作業について述べる。 実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
  論文  参考訳（メタデータ） (2020-11-14T02:03:08Z)

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。