Fugu-MT 論文翻訳(概要): Neutrino Reconstruction in TRIDENT Based on Graph Neural Network

論文の概要: Neutrino Reconstruction in TRIDENT Based on Graph Neural Network

arxiv url: http://arxiv.org/abs/2401.15324v1
Date: Sat, 27 Jan 2024 06:57:24 GMT
ステータス: 処理完了
システム内更新日: 2024-03-03 19:35:28.688854
Title: Neutrino Reconstruction in TRIDENT Based on Graph Neural Network
Title（参考訳）: グラフニューラルネットワークによるトライデント中のニュートリノ再構成
Authors: Cen Mo, Fuyudi Zhang, Liang Li
Abstract要約: トロピカルディープシーニュートリノ望遠鏡(TropIcal Deep-sea Neutrino Telescope, TRIDENT)は、南シナ海に位置する次世代ニュートリノ望遠鏡である。
参考スコア（独自算出の注目度）: 6.301679261460378
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: TRopIcal DEep-sea Neutrino Telescope (TRIDENT) is a next-generation neutrino telescope to be located in the South China Sea. With a large detector volume and the use of advanced hybrid digital optical modules (hDOMs), TRIDENT aims to discover multiple astrophysical neutrino sources and probe all-flavor neutrino physics. The reconstruction resolution of primary neutrinos is on the critical path to these scientific goals. We have developed a novel reconstruction method based on graph neural network (GNN) for TRIDENT. In this paper, we present the reconstruction performance of the GNN-based approach on both track- and shower-like neutrino events in TRIDENT.
Abstract（参考訳）: TRopIcal DEep-sea Neutrino Telescope (TRIDENT)は、南シナ海に位置する次世代ニュートリノ望遠鏡である。大きな検出器ボリュームと高度なハイブリッドデジタル光学モジュール(hdoms)の使用により、tridentは複数の天体物理学的ニュートリノ源を発見し、全フレーバーニュートリノ物理学を探索することを目指している。一次ニュートリノの再構築は、これらの科学的目標への重要な道のり上にある。我々は TRIDENT のためのグラフニューラルネットワーク (GNN) に基づく新しい再構成手法を開発した。本稿では, TRIDENTにおけるトラックおよびシャワーのようなニュートリノイベントにおけるGNN方式の再構成性能について述べる。

関連論文リスト

Enhancing Events in Neutrino Telescopes through Deep Learning-Driven Super-Resolution [0.0]
本稿では,深層学習駆動によるデータイベントの超解像を用いて,検出器媒質を介して光子輸送を学習する手法を提案する。我々の戦略では、既存の検出器の幾何内に仮想'の光学モジュールを配置し、畳み込みニューラルネットワークをトレーニングし、これらの仮想光学モジュールのヒットを予測する。
論文参考訳（メタデータ） (2024-08-16T01:20:27Z)
Recent neutrino oscillation result with the IceCube experiment [14.645468999921961]
アイスキューブ・サウスポールニュートリノ天文台(IceCube South Pole Neutrino Observatory)は、南極点の1立方キロメートルの氷で観測されるチェレンコフ検出器である。アイスキューブの主な科学的目標は、天体物理学的な源からTeVニュートリノの放射を検出することである。物理感度の進歩は、最近、DeepCore検出器におけるニュートリノ相互作用を再構築するために畳み込みニューラルネットワークを用いて達成されている。
論文参考訳（メタデータ） (2023-07-29T01:12:26Z)
Trigger-Level Event Reconstruction for Neutrino Telescopes Using Sparse Submanifold Convolutional Neural Networks [0.0]
畳み込みニューラルネットワーク(CNN)はニュートリノ望遠鏡を含む科学データ分析に広く応用されている。これらの問題の解決策としてスパースサブマニフォールド畳み込み(SSCNN)を提案する。 SSCNNイベント再構成性能は従来の機械学習アルゴリズムに匹敵するか否かを示す。
論文参考訳（メタデータ） (2023-03-15T17:59:01Z)
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)
GraphNeT: Graph neural networks for neutrino telescope event reconstruction [0.0]
GraphNeTは、グラフニューラルネットワーク(GNN)を用いたニュートリノ望遠鏡の再構成タスクを実行するためのオープンソースのピソンフレームワークである。 GraphNeTのGNNは、アイスキューブ拡張やP-ONEのような将来のプロジェクトを含む全てのニュートリノ望遠鏡のデータに適用できるほど柔軟である。これは、GNNベースの再構成が、ニュートリノ望遠鏡のほとんどの再建作業、リアルタイムの事象率、実験や物理分析、ニュートリノや天体物理学に大きな影響を与える可能性があることの、最先端のパフォーマンスを提供するために使われることを意味している。
論文参考訳（メタデータ） (2022-10-21T18:43:50Z)
Extrapolation and Spectral Bias of Neural Nets with Hadamard Product: a Polynomial Net Study [55.12108376616355]
NTKの研究は典型的なニューラルネットワークアーキテクチャに特化しているが、アダマール製品(NNs-Hp)を用いたニューラルネットワークには不完全である。本研究では,ニューラルネットワークの特別なクラスであるNNs-Hpに対する有限幅Kの定式化を導出する。我々は,カーネル回帰予測器と関連するNTKとの等価性を証明し,NTKの適用範囲を拡大する。
論文参考訳（メタデータ） (2022-09-16T06:36:06Z)
Trapped-Ion Quantum Simulation of Collective Neutrino Oscillations [55.41644538483948]
量子計算を用いて,Nニュートリノ系のコヒーレントな集団振動を2成分近似でシミュレートする手法について検討した。第2次トロッタースズキ公式を用いたゲート複雑性は,量子信号処理などの他の分解方法よりも,システムサイズに優れることがわかった。
論文参考訳（メタデータ） (2022-07-07T09:39:40Z)
Geo-NI: Geometry-aware Neural Interpolation for Light Field Rendering [57.775678643512435]
光場レンダリングのためのGeo-NI(Geometry-aware Neural Interpolation)フレームワークを提案する。 NIとDIBRの優位性を組み合わせることで、提案したGeo-NIは、大きな差異でビューをレンダリングすることができる。
論文参考訳（メタデータ） (2022-06-20T12:25:34Z)
BNV-Fusion: Dense 3D Reconstruction using Bi-level Neural Volume Fusion [85.24673400250671]
ニューラル・ボリューム・フュージョン (BNV-Fusion) は, ニューラル・暗黙表現とニューラル・レンダリングの最近の進歩を活用して高密度3次元再構成を行う。新しい深度マップをグローバルな暗黙的表現に漸進的に統合するために、我々は新しい二段階融合戦略を提案する。提案手法を定量的に定性的に評価し,既存手法よりも有意な改善を示した。
論文参考訳（メタデータ） (2022-04-03T19:33:09Z)
The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
論文参考訳（メタデータ） (2022-02-27T23:12:43Z)
Deep-Learning-Based Kinematic Reconstruction for DUNE [7.1117771577210664]
Deep Underground Neutrino Experiment (DUNE)は、次世代の長周期ニュートリノ振動実験である。最終状態粒子方向とエネルギーの再構成とニュートリノエネルギーのための2次元と3次元のCNNに基づく2つの手法を提案する。
論文参考訳（メタデータ） (2020-12-11T08:15:23Z)

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。