論文の概要: Scalable neural network models and terascale datasets for particle-flow reconstruction

• arxiv url: http://arxiv.org/abs/2309.06782v2
• Date: Mon, 23 Oct 2023 19:45:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-25 23:43:58.377210
• Title: Scalable neural network models and terascale datasets for particle-flow reconstruction
• Title（参考訳）: 粒子フロー再構成のためのスケーラブルニューラルネットワークモデルとテラスケールデータセット
• Authors: Joosep Pata, Eric Wulff, Farouk Mokhtar, David Southwick, Mengke Zhang, Maria Girone, Javier Duarte
• Abstract要約: 高エネルギー電子-陽電子衝突におけるフルイベント再構成のためのスケーラブル機械学習モデルについて検討する。 グラフニューラルネットワークとカーネルベースのトランスフォーマーを比較し,メモリ割り当てと計算コストの両面を回避できることを実証する。 本モデルでは,トラックと温度計のヒットによる高粒度入力をトレーニングすることにより,ベースラインと競合する物理性能が得られることを示す。
• 参考スコア（独自算出の注目度）: 1.534251177523466
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study scalable machine learning models for full event reconstruction in high-energy electron-positron collisions based on a highly granular detector simulation. Particle-flow (PF) reconstruction can be formulated as a supervised learning task using tracks and calorimeter clusters or hits. We compare a graph neural network and kernel-based transformer and demonstrate that both avoid quadratic memory allocation and computational cost while achieving realistic PF reconstruction. We show that hyperparameter tuning on a supercomputer significantly enhances the physics performance of the models, improving the jet transverse momentum resolution by up to 50% compared to the baseline. The resulting model is highly portable across hardware processors, supporting Nvidia, AMD, and Intel Habana cards. Finally, we demonstrate that the model can be trained on highly granular inputs consisting of tracks and calorimeter hits, resulting in a competitive physics performance with the baseline. Datasets and software to reproduce the studies are published following the findable, accessible, interoperable, and reusable (FAIR) principles.
• Abstract（参考訳）: 高エネルギー電子-ポジトロン衝突におけるフルイベント再構成のためのスケーラブルな機械学習モデルについて,高粒度検出器シミュレーションに基づいて検討した。 粒子フロー(PF)再構成は、トラックやカロリークラスタやヒットを用いた教師あり学習タスクとして定式化することができる。 グラフニューラルネットワークとカーネルベースのトランスフォーマーを比較し,2次メモリ割り当てと計算コストを回避しつつ,現実的なpf再構成を実現することを実証した。 スーパーコンピュータ上でのハイパーパラメータチューニングは, モデルの物理性能を大幅に向上させ, ジェット横運動量分解能をベースラインに比べて最大50%向上させることを示した。 その結果得られたモデルは、Nvidia、AMD、Intel Habanaカードをサポートする、ハードウェアプロセッサ間で非常にポータブルである。 最後に,トラックと温度計のヒットからなる高粒度入力でモデルをトレーニングできることを示し,その結果,ベースラインと競合する物理性能が得られることを示した。 研究を再現するデータセットとソフトウェアは、findable、accessable、interoperaable、recurable(fair)の原則に従って公開されている。

関連論文リスト

• Equivariant Graph Neural Networks for Charged Particle Tracking [1.6626046865692057]
  EuclidNetは荷電粒子追跡のための新しい対称性等価GNNである。 TrackMLデータセット上の最先端のインタラクションネットワークに対してベンチマークを行う。 以上の結果から,EuclidNetは小規模なモデルスケールでほぼ最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-04-11T15:43:32Z)
• 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)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• Machine Learning for Particle Flow Reconstruction at CMS [7.527568379083754]
  CMSのための機械学習に基づく粒子フローアルゴリズムの実装について詳述する。 このアルゴリズムは、温度計クラスタとトラックに基づいて安定粒子を再構成し、グローバルなイベント再構成を提供する。
  論文  参考訳（メタデータ） (2022-03-01T10:11:44Z)
• Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
  生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。 また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
  論文  参考訳（メタデータ） (2021-06-24T01:40:17Z)
• MLPF: Efficient machine-learned particle-flow reconstruction using graph neural networks [0.0]
  汎用粒子検出器では、粒子フローアルゴリズムを用いて事象の粒子レベルビューを再構築することができる。 並列化可能,スケーラブル,グラフニューラルネットワークに基づく,エンドツーエンドのトレーニング可能,マシン学習型粒子フローアルゴリズムを提案する。 陽子-陽子衝突で生成したトップクォーク-反クォーク対のモンテカルロデータセット上で,アルゴリズムの物理および計算性能について報告する。
  論文  参考訳（メタデータ） (2021-01-21T12:47:54Z)
• DCTRGAN: Improving the Precision of Generative Models with Reweighting [1.2622634782102324]
  深部生成モデルにポストホック補正を導入し,その忠実度をさらに向上する。 この補正は、生成された例に適用できる再重み付け関数の形を取る。 重み付き GAN の例は, 統計的パワーに大きな損失を伴わずに, 生成したサンプルの精度を著しく向上することを示した。
  論文  参考訳（メタデータ） (2020-09-03T18:00:27Z)
• A Quantum Graph Neural Network Approach to Particle Track Reconstruction [1.087475836765689]
  本稿では,初期単純化ツリーネットワーク(TTN)モデルの低精度化を克服するために,反復的アプローチによる改良モデルを提案する。 我々は、量子コンピューティングの能力を活用して、非常に多くの状態を同時に評価し、それによって、大きなパラメータ空間を効果的に探索することを目指している。
  論文  参考訳（メタデータ） (2020-07-14T07:25:24Z)

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。