論文の概要: Induced Generative Adversarial Particle Transformers

• arxiv url: http://arxiv.org/abs/2312.04757v1
• Date: Fri, 8 Dec 2023 00:02:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 16:33:39.999711
• Title: Induced Generative Adversarial Particle Transformers
• Title（参考訳）: 生成反転粒子変圧器の誘導
• Authors: Anni Li and Venkat Krishnamohan and Raghav Kansal and Rounak Sen and Steven Tsan and Zhaoyu Zhang and Javier Duarte
• Abstract要約: 高エネルギー物理学において、LHC(Large Hadron Collider)における粒子衝突を正確にシミュレートする効果的な方法として機械学習法が登場した。 MPGANは、衝突を「点」または「粒子」の雲としてシミュレートする最初のモデルであり、最先端の結果が得られたが、二次的な時間の複雑さに悩まされた。 誘導型GAPT (iGAPT) を導入し, 粒子誘導型粒子保持ブロック' と大域ジェット特性の条件付けを統合することにより, 線形時間の複雑さだけでなく, 複雑なジェットサブ構造を捉えることが可能となる。
• 参考スコア（独自算出の注目度）: 5.251666338028207
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In high energy physics (HEP), machine learning methods have emerged as an effective way to accurately simulate particle collisions at the Large Hadron Collider (LHC). The message-passing generative adversarial network (MPGAN) was the first model to simulate collisions as point, or ``particle'', clouds, with state-of-the-art results, but suffered from quadratic time complexity. Recently, generative adversarial particle transformers (GAPTs) were introduced to address this drawback; however, results did not surpass MPGAN. We introduce induced GAPT (iGAPT) which, by integrating ``induced particle-attention blocks'' and conditioning on global jet attributes, not only offers linear time complexity but is also able to capture intricate jet substructure, surpassing MPGAN in many metrics. Our experiments demonstrate the potential of iGAPT to simulate complex HEP data accurately and efficiently.
• Abstract（参考訳）: 高エネルギー物理学(HEP)において、LHC(Large Hadron Collider)における粒子衝突を正確にシミュレートする効果的な方法として機械学習法が登場した。 メッセージパス生成逆数ネットワーク(MPGAN)は、衝突を点としてシミュレートする最初のモデルであり、雲は最先端の結果を持つが、二次的な時間の複雑さに悩まされた。 近年, この欠点に対処するためにGAPT(generative adversarial Particle Transformer)を導入したが, 結果はMPGANを超えなかった。 誘導型GAPT (induction GAPT) を導入し, 「誘導型粒子保持ブロック」 と大域ジェット特性の条件付けを組み込むことで, 線形時間の複雑さだけでなく, 複雑なジェットサブ構造を捉えることができ, 多くの指標においてMPGANを上回っている。 本実験は,複雑なHEPデータを高精度かつ効率的にシミュレートするiGAPTの可能性を示す。

関連論文リスト

• 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)
• A conditional latent autoregressive recurrent model for generation and forecasting of beam dynamics in particle accelerators [46.348283638884425]
  本稿では,加速器内の荷電粒子のダイナミクスを学習するための2段階の非教師付きディープラーニングフレームワークであるLatent Autoregressive Recurrent Model (CLARM)を提案する。 CLARMは、潜在空間表現をキャプチャしてデコードすることで、様々な加速器サンプリングモジュールでプロジェクションを生成することができる。 その結果,提案手法の予測能力と生成能力は,様々な評価指標と比較した場合に有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-19T22:05:17Z)
• Robust Errant Beam Prognostics with Conditional Modeling for Particle Accelerators [36.157808223320465]
  粒子加速器は様々な理由で故障や停止の可能性がある。 これらの欠陥は、スケジュールされた実行中の粒子加速器の可用性に影響を与え、効率と全体の科学出力を妨げている。 異常検出技術を用いて異常な振る舞いを予測し、プリエンプティブ動作を行い、粒子加速器の総可利用性を向上させる。
  論文  参考訳（メタデータ） (2023-11-22T07:36:16Z)
• 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)
• 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)
• Controllable and Compositional Generation with Latent-Space Energy-Based Models [60.87740144816278]
  制御可能な生成は、現実世界のアプリケーションで深層生成モデルの採用を成功させる上で重要な要件の1つである。 本研究では, エネルギーモデル(EBM)を用いて, 属性の集合上での合成生成を扱う。 エネルギー関数を論理演算子と合成することにより、分解能1024x1024のフォトリアリスティック画像を生成する際に、このような構成性を実現するのはこれが初めてである。
  論文  参考訳（メタデータ） (2021-10-21T03:31:45Z)
• 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)
• Efficient pre-training objectives for Transformers [84.64393460397471]
  本研究はトランスフォーマーモデルにおける高効率事前学習目標について検討する。 マスクトークンの除去と損失時のアウトプット全体の考慮が,パフォーマンス向上に不可欠な選択であることを証明する。
  論文  参考訳（メタデータ） (2021-04-20T00:09:37Z)
• Graph Generative Models for Fast Detector Simulations in High Energy Physics [0.0]
  検出器との粒子相互作用のシミュレーションは時間がかかり、計算に費用がかかる。 HL-LHCのアップグレードは、コンピューティングインフラストラクチャに大きな負担をかけます。 LHCイベントを効果的に再現するグラフ生成モデルについて論じる。
  論文  参考訳（メタデータ） (2021-04-05T00:27:43Z)
• Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
  本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。 従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
  論文  参考訳（メタデータ） (2020-09-28T15:05:39Z)

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。