論文の概要: High-energy physics image classification: A Survey of Jet Applications

• arxiv url: http://arxiv.org/abs/2403.11934v1
• Date: Mon, 18 Mar 2024 16:33:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-20 19:30:44.391720
• Title: High-energy physics image classification: A Survey of Jet Applications
• Title（参考訳）: 高エネルギー物理画像分類:ジェットの応用に関する調査
• Authors: Hamza Kheddar, Yassine Himeur, Abbes Amira, Rachik Soualah,
• Abstract要約: 高エネルギー物理実験では、機械学習(ML)とその専門分野であるディープラーニング(DL)が統合されている。 この調査は、様々なDLアプローチの範囲内で、これらの応用を包括的に評価する。
• 参考スコア（独自算出の注目度）: 3.1070277982608605
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent times, the fields of high-energy physics (HEP) experimentation and phenomenological studies have seen the integration of machine learning (ML) and its specialized branch, deep learning (DL). This survey offers a comprehensive assessment of these applications within the realm of various DL approaches. The initial segment of the paper introduces the fundamentals encompassing diverse particle physics types and establishes criteria for evaluating particle physics in tandem with learning models. Following this, a comprehensive taxonomy is presented for representing HEP images, encompassing accessible datasets, intricate details of preprocessing techniques, and methods of feature extraction and selection. Subsequently, the focus shifts to an exploration of available artificial intelligence (AI) models tailored to HEP images, along with a concentrated examination of HEP image classification pertaining to Jet particles. Within this review, a profound investigation is undertaken into distinct ML and DL proposed state-of-the art (SOTA) techniques, underscoring their implications for HEP inquiries. The discussion delves into specific applications in substantial detail, including Jet tagging, Jet tracking, particle classification, and more. The survey culminates with an analysis concerning the present status of HEP grounded in DL methodologies, encompassing inherent challenges and prospective avenues for future research endeavors.
• Abstract（参考訳）: 近年、高エネルギー物理(HEP)実験や現象学研究の分野では、機械学習(ML)とその専門分野である深層学習(DL)が統合されている。 この調査は、様々なDLアプローチの範囲内で、これらの応用を包括的に評価する。 本論文の最初のセグメントでは,様々な粒子物理学のタイプを包含する基礎について紹介し,素粒子物理を学習モデルと組み合わせて評価するための基準を確立する。 その後、HEP画像、アクセス可能なデータセット、事前処理技術の詳細な詳細、特徴抽出と選択の方法などを表現するための包括的な分類法が提示される。 その後、HEP画像に合わせて利用可能な人工知能(AI)モデルを探索し、ジェット粒子に関するHEP画像分類を精査する。 本総説では, ML と DL が提案する最先端技術 (SOTA) について深く検討し, HEP 調査の意義について考察した。 この議論は、ジェットタグ、ジェットトラッキング、粒子分類など、特定の応用をかなり詳細に掘り下げている。 本調査は, DL方法論に基づくHEPの現状に関する分析から, 今後の研究課題と今後の課題を包括する。

関連論文リスト

• Learning Symmetry-Independent Jet Representations via Jet-Based Joint Embedding Predictive Architecture [10.640060102348084]
  自己教師付き学習(SSL)メソッドは、機械学習モデルの作成を支援する可能性がある。 本研究は,手作りによる拡張を伴わないジェット表現の学習手法を提案する。 J-JEPAがジェットタグで学んだ表現を微調整し、タスク固有の表現に対してベンチマークする。
  論文  参考訳（メタデータ） (2024-12-05T19:00:14Z)
• Interpreting Transformers for Jet Tagging [2.512200562089791]
  本研究では, 注目熱マップと粒子対相関を$eta$-$phi$平面上で解析することによりParTの解釈に着目する。 同時に、ParTは崩壊に応じて重要な粒子やサブジェットに様々な焦点が当てられていることを示し、このモデルが従来のジェットサブ構造を学習していることを示す。
  論文  参考訳（メタデータ） (2024-12-04T19:06:40Z)
• A Deep Learning Approach for Pixel-level Material Classification via Hyperspectral Imaging [1.294249882472766]
  ハイパースペクトル(HS)イメージングは、X線蛍光やラマン分光のような従来の技術よりも有利である。 本研究では,HSイメージングと深層学習を併用した材料評価の可能性について検討した。 このモデルは99.94%の分類精度を達成し、色、サイズ、形状のばらつきの堅牢さを示し、材料重なりを効果的に扱った。
  論文  参考訳（メタデータ） (2024-09-20T13:38:48Z)
• Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
  本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。 我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。 シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
  論文  参考訳（メタデータ） (2024-08-22T07:33:11Z)
• End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
  本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。 我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
  論文  参考訳（メタデータ） (2023-05-17T17:43:10Z)
• PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for Geometry-Agnostic System Identification [64.61198351207752]
  ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。 本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。 マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T18:59:50Z)
• What's the Situation with Intelligent Mesh Generation: A Survey and Perspectives [13.081274167488843]
  Intelligent Mesh Generation(IMG)は、機械学習技術を利用してメッシュを生成する、新しくて有望な研究分野である。 比較的幼少期であったにもかかわらず、ICGはメッシュ生成技術の適応性と実用性を著しく向上させてきた。 本稿は,現在のIMGの状況について,体系的かつ徹底的な調査を行うことによって,このギャップを埋める試みである。
  論文  参考訳（メタデータ） (2022-11-11T05:24:16Z)
• The Preliminary Results on Analysis of TAIGA-IACT Images Using Convolutional Neural Networks [68.8204255655161]
  本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。 The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
  論文  参考訳（メタデータ） (2021-12-19T15:17:20Z)
• Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
  古典力学の先行概念を機械学習モデルに統合する手法が提案されている。 これらのモデルの現在の機能について、精査する。 連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
  論文  参考訳（メタデータ） (2021-11-09T23:48:21Z)
• Advanced Multi-Variate Analysis Methods for New Physics Searches at the Large Hadron Collider [72.34476433304168]
  ava4newphysicsは、高度多変量解析法と統計学習ツールの高エネルギー物理学問題へのカスタマイズと応用を研究した。 これらの手法の多くは、CERNにおけるATLASおよびCMS実験によるデータ解析の感度向上に成功している。 テスト段階にある他のいくつかは、基礎物理学パラメータの測定の精度と新しい現象の探索の到達範囲をさらに改善することを約束している。
  論文  参考訳（メタデータ） (2021-05-16T22:20:30Z)
• Image-Based Jet Analysis [2.5382095320488665]
  画像ベースのジェット解析は、高エネルギー物理学とコンピュータビジョンとディープラーニングの直接接続を可能にするジェット画像表現上に構築されている。 我々は,これらのモデルが学んだこと,不確実性に対する感受性を理解するための手法について検討する。 ジェットの分類以外にも,エネルギ推定,積み上げノイズ低減,データ生成,異常検出など,ジェット画像に基づく手法の応用について検討した。
  論文  参考訳（メタデータ） (2020-12-17T16:42:29Z)

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。