論文の概要: Deep Generative Models for Detector Signature Simulation: An Analytical
Taxonomy
- arxiv url: http://arxiv.org/abs/2312.09597v1
- Date: Fri, 15 Dec 2023 08:27:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-18 16:35:47.523075
- Title: Deep Generative Models for Detector Signature Simulation: An Analytical
Taxonomy
- Title(参考訳): 検出器シグナチャシミュレーションのための深部生成モデル:分析分類学
- Authors: Hosein Hashemi, Claudius Krause
- Abstract要約: 粒子物理学検出器からの信号は衝突の物理を符号化する低レベル物体である。
検出器におけるそれらの完全なシミュレーションは、メモリとストレージ集約的なタスクである。
この計算ボトルネックに対処するため,"Fast Simulation"が長年にわたって導入され,洗練されてきた。
- 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 modern collider experiments, the quest to explore fundamental interactions
between elementary particles has reached unparalleled levels of precision.
Signatures from particle physics detectors are low-level objects encoding the
physics of collisions. The complete simulation of them in a detector is a
memory and storage-intensive task. To address this computational bottleneck in
particle physics, "Fast Simulation" has been introduced and refined over the
years. The field has seen a surge in interest in surrogate modeling the
detector simulation, fueled by the advancements in deep generative models.
These models aim to generate responses that are statistically identical to the
observed data. In this paper, we conduct a comprehensive and exhaustive
taxonomic review of the existing literature on the simulation of detector
signatures from both methodological and application-wise perspectives.
Initially, we formulate the problem of detector signature simulation and
discuss its different variations that can be unified. Next, we classify the
state-of-the-art methods into four distinct categories based on their
underlying model architectures, summarizing their respective generation
strategies. We then identify and discuss three key application areas. Finally,
we shed light on the challenges and opportunities that lie ahead in detector
signature simulation, setting the stage for future research and development.
- Abstract(参考訳): 現代の衝突型加速器実験では、素粒子間の基本的な相互作用を探究する探索は、非平行な精度に達している。
粒子物理学検出器からの信号は衝突の物理を符号化する低レベル物体である。
検出器内のそれらの完全なシミュレーションは、メモリとストレージ集約的なタスクである。
粒子物理学におけるこの計算ボトルネックに対処するため、"Fast Simulation"は長年にわたって導入され、洗練されてきた。
この分野は、深層生成モデルの進歩によって加速された検出器シミュレーションのサロゲートモデリングへの関心が高まっている。
これらのモデルは、観測データと統計的に同一の応答を生成することを目的としている。
本稿では,従来の文献を包括的かつ徹底的に分析し,方法論的・応用的両面から検出シグネチャのシミュレーションを行う。
まず、検出器シグネチャシミュレーションの問題を定式化し、統一可能な様々なバリエーションについて議論する。
次に,最先端の手法を,その基盤となるモデルアーキテクチャに基づいて4つの異なるカテゴリに分類し,それぞれの世代戦略を要約する。
そして、3つの重要なアプリケーション領域を特定し、議論する。
最後に,検出器シグネチャシミュレーションに先立つ課題と機会について考察し,今後の研究・開発に向けてのステージを設定した。
関連論文リスト
- UniMODE: Unified Monocular 3D Object Detection [76.77182583753051]
我々は,鳥眼視(BEV)検出パラダイムに基づく検出器を構築した。
本稿では,この課題に起因する収束不安定性に対応するために,不均一なBEVグリッド設計を提案する。
統一検出器UniMODEが導出され、挑戦的なOmni3Dデータセットの先行技術を上回る。
論文 参考訳(メタデータ) (2024-02-28T18:59:31Z) - Generative Models for Simulation of KamLAND-Zen [0.0]
ニュートリノのない二重ベータ崩壊(0nubetabeta)の探索はニュートリノの性質に関する深い疑問に答える。
発見を主張するには、0nubetabetaを模倣する検出器イベントの正確かつ効率的なシミュレーションが重要である。
伝統的なモンテカルロシミュレーションは機械学習に基づく生成モデルによって補うことができる。
論文 参考訳(メタデータ) (2023-12-22T01:47:16Z) - Generalizing to new geometries with Geometry-Aware Autoregressive Models
(GAAMs) for fast calorimeter simulation [6.099458999905677]
生成モデルはより高速なサンプル生産を提供することができるが、現在は特定の検出器測地の性能を最適化するためにかなりの努力が必要である。
我々は,温度計の応答が幾何によってどのように変化するかを学習する自動回帰モデルを開発した。
幾何認識モデルは、いくつかの指標で50ドル以上もするベースライン無意識モデルより優れている。
論文 参考訳(メタデータ) (2023-05-19T08:54:49Z) - Synthetic Data-Based Simulators for Recommender Systems: A Survey [55.60116686945561]
本調査は,モデリングとシミュレーションの分野における最近のトレンドを包括的に概観することを目的としている。
まずは、シミュレーターを実装するフレームワークの開発の背後にあるモチベーションから始めます。
我々は,既存のシミュレータの機能,近似,産業的有効性に基づいて,新しい一貫した一貫した分類を行う。
論文 参考訳(メタデータ) (2022-06-22T19:33:21Z) - Object-centric and memory-guided normality reconstruction for video
anomaly detection [56.64792194894702]
本稿では,ビデオ監視における異常検出問題に対処する。
異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。
我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
論文 参考訳(メタデータ) (2022-03-07T19:28:39Z) - Simulation Intelligence: Towards a New Generation of Scientific Methods [81.75565391122751]
シミュレーション知能の9つのモチーフ」は、科学計算、科学シミュレーション、人工知能の融合に必要な重要なアルゴリズムの開発と統合のためのロードマップである。
シミュレーションインテリジェンスのモチーフは、オペレーティングシステムのレイヤ内のコンポーネントとよく似ています。
我々は、モチーフ間の協調的な努力が科学的な発見を加速する大きな機会をもたらすと信じている。
論文 参考訳(メタデータ) (2021-12-06T18:45:31Z) - 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) - Scalable nonparametric Bayesian learning for heterogeneous and dynamic
velocity fields [8.744017403796406]
速度場データの不均一および動的パターンを学習するモデルを開発した。
複雑な多車間相互作用のNGSIMデータセットに対して,本手法の有効性を示す。
論文 参考訳(メタデータ) (2021-02-15T17:45:46Z) - A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。
我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。
我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
論文 参考訳(メタデータ) (2020-11-17T22:24:26Z) - Towards the Development of Entropy-Based Anomaly Detection in an
Astrophysics Simulation [0.2867517731896504]
コア崩壊型超新星シミュレーションから生じる異常問題について述べる。
本稿では,この科学的シミュレーションに異常検出技術を適用する際の戦略と早期成功について論じる。
論文 参考訳(メタデータ) (2020-09-05T01:43:33Z) - Simulation-Assisted Decorrelation for Resonant Anomaly Detection [1.5675763601034223]
異常検出に対する弱い、教師なしの機械学習アプローチが増えている。
例の1つは共鳴新しい物理学の探索であり、そこではバンプハントを不変質量スペクトルで行うことができる。
学習に最小限の原型シミュレーションを組み込むことにより,この問題に対する2つの解決策を探求する。
論文 参考訳(メタデータ) (2020-09-04T14:02:15Z)
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。