Fugu-MT 論文翻訳(概要): DeepTreeGANv2: Iterative Pooling of Point Clouds

論文の概要: DeepTreeGANv2: Iterative Pooling of Point Clouds

arxiv url: http://arxiv.org/abs/2312.00042v2
Date: Tue, 2 Jan 2024 12:41:26 GMT
ステータス: 処理完了
システム内更新日: 2024-01-03 19:42:08.095064
Title: DeepTreeGANv2: Iterative Pooling of Point Clouds
Title（参考訳）: DeepTreeGANv2: ポイントクラウドの反復プール
Authors: Moritz Alfons Wilhelm Scham and Dirk Kr\"ucker and Kerstin Borras
Abstract要約: 本稿では,DeepTreeGANの拡張について紹介する。本稿では,このモデルが複雑な分布を再現できることを示し,JetNet 150データセットの性能評価を行った。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In High Energy Physics, detailed and time-consuming simulations are used for particle interactions with detectors. To bypass these simulations with a generative model, the generation of large point clouds in a short time is required, while the complex dependencies between the particles must be correctly modelled. Particle showers are inherently tree-based processes, as each particle is produced by the decay or detector interaction of a particle of the previous generation. In this work, we present a significant extension to DeepTreeGAN, featuring a critic, that is able to aggregate such point clouds iteratively in a tree-based manner. We show that this model can reproduce complex distributions, and we evaluate its performance on the public JetNet 150 dataset.
Abstract（参考訳）: 高エネルギー物理学では、詳細かつ時間のかかるシミュレーションが検出器との粒子相互作用に使用される。これらのシミュレーションを生成モデルで回避するには、粒子間の複雑な依存関係を正しくモデル化する必要があるが、短時間で大きな点雲を生成する必要がある。粒子シャワーは本質的に木に基づくプロセスであり、各粒子は前世代の粒子の崩壊または検出器相互作用によって生成される。本稿では,これらの点群を木ベースで反復的に集約することが可能な,批評家を特徴とするdeeptreeganの拡張について述べる。本稿では,このモデルが複雑な分布を再現できることを示し,JetNet 150データセットの性能評価を行った。

関連論文リスト

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)
Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
論文参考訳（メタデータ） (2023-05-21T03:51:03Z)
CaloClouds: Fast Geometry-Independent Highly-Granular Calorimeter Simulation [0.0]
高粒度検出器における粒子のシャワーのシミュレーションは、粒子物理学への機械学習の適用における重要なフロンティアである。この研究は、初めて数千の空間点の点雲を3次元空間の検出器で直接生成し、固定格子構造に頼ることなく大きなブレークスルーを成し遂げた。
論文参考訳（メタデータ） (2023-05-08T16:44:15Z)
StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
論文参考訳（メタデータ） (2023-03-28T08:21:44Z)
Interpretable Joint Event-Particle Reconstruction for Neutrino Physics at NOvA with Sparse CNNs and Transformers [124.29621071934693]
本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。 TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
論文参考訳（メタデータ） (2023-03-10T20:36:23Z)
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)
Transformer with Implicit Edges for Particle-based Physics Simulation [135.77656965678196]
Implicit Edges (TIE) を用いたトランスフォーマーは、素粒子相互作用のリッチなセマンティクスをエッジフリーでキャプチャする。様々な複雑さと素材の多様な領域におけるモデルの評価を行った。
論文参考訳（メタデータ） (2022-07-22T03:45:29Z)
Particle Cloud Generation with Message Passing Generative Adversarial Networks [14.737885252814273]
高エネルギー物理学では、ジェットは粒子衝突でユビキタスに生成される相関粒子の集合である。 GAN(Generative Adversarial Network)のような機械学習に基づく生成モデルは、LHCジェットシミュレーションを著しく加速する可能性がある。我々は新しい粒子クラウドデータセット(JetNet)を導入し、粒子と点クラウドの類似性から、既存の点クラウドGANに適用する。
論文参考訳（メタデータ） (2021-06-22T04:21:16Z)
Go with the Flows: Mixtures of Normalizing Flows for Point Cloud Generation and Reconstruction [98.38585659305325]
正規化フロー(NF)は、3Dポイントクラウドのモデリングにおける最先端のパフォーマンスを示している。この研究は、点雲にNFの混合物を適用することで、それらの表現力を高める。
論文参考訳（メタデータ） (2021-06-06T14:25:45Z)
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。