Fugu-MT 論文翻訳(概要): NuGraph2: A Graph Neural Network for Neutrino Physics Event Reconstruction

論文の概要: NuGraph2: A Graph Neural Network for Neutrino Physics Event Reconstruction

arxiv url: http://arxiv.org/abs/2403.11872v1
Date: Mon, 18 Mar 2024 15:26:05 GMT
ステータス: 処理完了
システム内更新日: 2024-03-20 19:50:22.618738
Title: NuGraph2: A Graph Neural Network for Neutrino Physics Event Reconstruction
Title（参考訳）: NuGraph2:ニュートリノ物理イベント再構築のためのグラフニューラルネットワーク
Authors: V Hewes, Adam Aurisano, Giuseppe Cerati, Jim Kowalkowski, Claire Lee, Wei-keng Liao, Daniel Grzenda, Kaushal Gumpula, Xiaohe Zhang,
Abstract要約: 本稿では、LArTPC検出器におけるシミュレーションニュートリノ相互作用の低レベル再構成のためのグラフニューラルネットワーク(GNN)であるNuGraph2について述べる。このネットワークは、複数の2D表現にまたがる検出器オブザーバブルを直接運用するが、これらの表現間の一貫性を促進するために3Dコンテキスト認識機構を利用する。
参考スコア（独自算出の注目度）: 0.3088816319960295
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Liquid Argon Time Projection Chamber (LArTPC) detector technology offers a wealth of high-resolution information on particle interactions, and leveraging that information to its full potential requires sophisticated automated reconstruction techniques. This article describes NuGraph2, a Graph Neural Network (GNN) for low-level reconstruction of simulated neutrino interactions in a LArTPC detector. Simulated neutrino interactions in the MicroBooNE detector geometry are described as heterogeneous graphs, with energy depositions on each detector plane forming nodes on planar subgraphs. The network utilizes a multi-head attention message-passing mechanism to perform background filtering and semantic labelling on these graph nodes, identifying those associated with the primary physics interaction with 98.0\% efficiency and labelling them according to particle type with 94.9\% efficiency. The network operates directly on detector observables across multiple 2D representations, but utilizes a 3D-context-aware mechanism to encourage consistency between these representations. Model inference takes 0.12 s/event on a CPU, and 0.005 s/event batched on a GPU. This architecture is designed to be a general-purpose solution for particle reconstruction in neutrino physics, with the potential for deployment across a broad range of detector technologies, and offers a core convolution engine that can be leveraged for a variety of tasks beyond the two described in this article.
Abstract（参考訳）: 液体アルゴン時間射影チャンバー(LArTPC)検出器技術は、粒子相互作用に関する豊富な高解像度情報を提供し、その情報を最大限に活用するには高度な自動再構成技術が必要である。本稿では、LArTPC検出器におけるシミュレーションニュートリノ相互作用の低レベル再構成のためのグラフニューラルネットワーク(GNN)であるNuGraph2について述べる。 MicroBooNE検出器幾何学におけるシミュレートされたニュートリノ相互作用は、平面部分グラフ上にノードを形成する各検出器面にエネルギー沈着を持つ不均一グラフとして記述される。このネットワークは、バックグラウンドフィルタリングとセマンティックラベリングをこれらのグラフノード上で実行し、98.0\%の効率で一次物理相互作用に関連するものを識別し、94.9\%の効率で粒子タイプに従ってラベル付けする。このネットワークは、複数の2次元表現にまたがる検出器オブザーバブルを直接運用するが、これらの表現間の一貫性を促進するために3Dコンテキスト認識機構を利用する。モデル推論はCPUでは0.12 s/event、GPUでは0.005 s/eventである。このアーキテクチャはニュートリノ物理学における粒子再構成のための汎用的なソリューションとして設計されており、幅広い検出器技術に展開する可能性がある。

関連論文リスト

Equivariant Graph Neural Networks for Charged Particle Tracking [1.6626046865692057]
EuclidNetは荷電粒子追跡のための新しい対称性等価GNNである。 TrackMLデータセット上の最先端のインタラクションネットワークに対してベンチマークを行う。以上の結果から,EuclidNetは小規模なモデルスケールでほぼ最先端の性能を達成できることが示唆された。
論文参考訳（メタデータ） (2023-04-11T15:43:32Z)
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)
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)
Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文参考訳（メタデータ） (2022-07-06T10:01:46Z)
ACMP: Allen-Cahn Message Passing for Graph Neural Networks with Particle Phase Transition [24.59894322312533]
本稿では,グラフニューラルネットワークのためのAllen-Cahnメッセージパッシング(ACMP)を提案する。系の力学は、粒子を吹き飛ばすことなく分離できる反応拡散過程である。オーバースムーシングメッセージの一般的なGNN問題を回避するGNNのモデルを提供する。
論文参考訳（メタデータ） (2022-06-11T06:26:12Z)
2D-Motion Detection using SNNs with Graphene-Insulator-Graphene Memristive Synapses [0.0]
イベント駆動のスパイクニューラルネットワークは、人工ニューラルネットワークよりもエネルギー効率が高い。本研究では,物体の2次元視野における動き検出を実演する。
論文参考訳（メタデータ） (2021-11-30T10:09:18Z)
MFGNet: Dynamic Modality-Aware Filter Generation for RGB-T Tracking [72.65494220685525]
可視データと熱データ間のメッセージ通信を促進するために,新しい動的モダリティ対応フィルタ生成モジュール(MFGNet)を提案する。我々は、2つの独立ネットワークを持つ動的モダリティ対応フィルタを生成し、その可視フィルタとサーマルフィルタをそれぞれ、対応する入力特徴写像上で動的畳み込み演算を行う。重閉塞,高速移動,外見による問題に対処するため,新たな方向認識型目標誘導型アテンション機構を活用することで,共同で局所的・グローバル検索を行うことを提案する。
論文参考訳（メタデータ） (2021-07-22T03:10:51Z)
Scalable, End-to-End, Deep-Learning-Based Data Reconstruction Chain for Particle Imaging Detectors [0.0]
本稿では,Lyquid Time Projection Chambers (LArTPCs) のためのエンドツーエンドのMLベースのデータ再構成チェーンを提案する。これは、何十もの高エネルギーニュートリノ相互作用の既往の積み重ねを扱う最初の実装である。
論文参考訳（メタデータ） (2021-02-01T18:10:00Z)
PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
論文参考訳（メタデータ） (2020-12-18T18:06:43Z)
Distance-Weighted Graph Neural Networks on FPGAs for Real-Time Particle Reconstruction in High Energy Physics [11.125632758828266]
FPGA上で1$mumathrms未満のレイテンシで実行できる距離重み付きグラフネットワークの設計方法について論じる。本研究では,粒子衝突型加速器で動作する次世代熱量計における粒子の再構成と同定に関連する代表的課題について考察する。我々は、圧縮されたモデルをファームウェアに変換し、FPGA上で実装する。
論文参考訳（メタデータ） (2020-08-08T21:26:31Z)
Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。