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

• 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)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Deep Generative Models for Ultra-High Granularity Particle Physics Detector Simulation: A Voyage From Emulation to Extrapolation [0.0]
  この論文は、ベルIIの実験でPixel Vertex Detector (PXD)のこの課題を克服することを目的としている。 本研究は、粒子物理学における超高粒度検出器シミュレーションに深部生成モデルを用いた結果について初めて紹介する。
  論文  参考訳（メタデータ） (2024-03-05T23:12:47Z)
• 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)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Evaluating generative models in high energy physics [7.545095780512178]
  生成モデルの故障モードに対する評価指標とその感度に関する最初の体系的レビューと調査を行う。 我々はFr'echetとカーネル物理距離(FPDとKPD)の2つの新しい指標を提案し、その性能を計測する様々な実験を行った。 提案手法の有効性を検証し, 新規な注目型生成逆数粒子変換器と, 最先端のメッセージ通過型生成逆数ネットワークジェットシミュレーションモデルとの比較を行った。
  論文  参考訳（メタデータ） (2022-11-18T15:36:28Z)
• 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)
• 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)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• 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。