論文の概要: Image and Point-cloud Classification for Jet Analysis in High-Energy Physics: A survey
- arxiv url: http://arxiv.org/abs/2403.11934v3
- Date: Thu, 13 Feb 2025 14:16:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-14 13:44:08.986061
- Title: Image and Point-cloud Classification for Jet Analysis in High-Energy Physics: A survey
- Title(参考訳): 高エネルギー物理におけるジェット解析のための画像と点雲の分類
- Authors: Hamza Kheddar, Yassine Himeur, Abbes Amira, Rachik Soualah,
- Abstract要約: 本稿では、異なる機械学習(ML)とディープラーニング(DL)アプローチを用いたアプリケーションの概要を紹介する。
提案技術は、高輝度LHC(HL-LHC)や将来の円形コライダーであるハドロンハドロン(FCChh)などの将来のハドロンハドロン衝突体(HHC)に適用できる。
- 参考スコア(独自算出の注目度): 3.1070277982608605
- License:
- Abstract: Nowadays, there has been a growing trend in the field of high-energy physics (HEP), in both its experimental and phenomenological studies, to incorporate machine learning (ML) and its specialized branch, deep learning (DL). This review paper provides a thorough illustration of these applications using different ML and DL approaches. The first part of the paper examines the basics of various particle physics types and establishes guidelines for assessing particle physics alongside the available learning models. Next, a detailed classification is provided for representing Jets that are reconstructed in high-energy collisions, mainly in proton-proton collisions at well-defined beam energies. This section covers various datasets, preprocessing techniques, and feature extraction and selection methods. The presented techniques can be applied to future hadron-hadron colliders (HHC), such as the high-luminosity LHC (HL-LHC) and the future circular collider - hadron-hadron (FCChh). The authors then explore several AI techniques analyses designed specifically for both image and point-cloud (PC) data in HEP. Additionally, a closer look is taken at the classification associated with Jet tagging in hadron collisions. In this review, various state-of-the-art (SOTA) techniques in ML and DL are examined, with a focus on their implications for HEP demands. More precisely, this discussion addresses various applications in extensive detail, such as Jet tagging, Jet tracking, particle classification, and more. The review concludes with an analysis of the current state of HEP using DL methodologies. It highlights the challenges and potential areas for future research, which are illustrated for each application.
- Abstract(参考訳): 近年,高エネルギー物理学(HEP, High-Energy Physics, HEP, HEP, HEP)の分野において, 機械学習(ML, 機械学習)とその専門分野である深層学習(DL)を取り入れる研究が増えている。
本稿では,ML と DL の異なるアプローチを用いて,これらの応用例を概説する。
本研究の第1部では, 各種粒子物理学の基礎を考察し, 利用可能な学習モデルとともに粒子物理を評価するためのガイドラインを確立する。
次に、高エネルギー衝突で再構成されたジェットを、よく定義されたビームエネルギーで主に陽子-陽子衝突で表現するための詳細な分類が提供される。
本項では、各種データセット、前処理技術、特徴抽出および選択方法について述べる。
提案技術は、高輝度LHC(HL-LHC)や将来の円形コライダーであるハドロン-ハドロン(FCChh)など、将来のハドロン-ハドロン衝突体(HHC)に適用することができる。
著者らはその後、HEPのイメージとポイントクラウド(PC)データに特化して設計されたいくつかのAI技術分析について検討した。
さらに、ハドロン衝突におけるジェットタグの分類について、より詳しく検討する。
本総説では, ML および DL におけるSOTA (State-of-the-art) 技術について検討し, HEP 要求に対する影響に着目した。
より正確には、Jetのタグ付け、Jetのトラッキング、パーティクル分類など、様々な応用に対処する。
本総説では,HEPの現状をDL法を用いて分析した。
それは、将来の研究における課題と潜在的な領域を強調し、各アプリケーションについて説明します。
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。