論文の概要: Particle identification with machine learning from incomplete data in the ALICE experiment

• arxiv url: http://arxiv.org/abs/2403.17436v1
• Date: Tue, 26 Mar 2024 07:05:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-27 16:26:20.298284
• Title: Particle identification with machine learning from incomplete data in the ALICE experiment
• Title（参考訳）: ALICE実験における不完全データからの機械学習による粒子識別
• Authors: Maja Karwowska, Łukasz Graczykowski, Kamil Deja, Miłosz Kasak, Małgorzata Janik,
• Abstract要約: ALICEは、約100MeV/cから20GeV/cまでの運動量を持つ粒子の複数の検出器を介してPID情報を提供する。 私たちのソリューションでは、バイナリ分類器として複数のニューラルネットワーク(NN)を使用します。 本稿では,シミュレーションデータと実実験データ間の知識伝達に必要なML手法であるドメイン適応について論じる。
• 参考スコア（独自算出の注目度）: 3.046689922445082
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ALICE experiment at the LHC measures properties of the strongly interacting matter formed in ultrarelativistic heavy-ion collisions. Such studies require accurate particle identification (PID). ALICE provides PID information via several detectors for particles with momentum from about 100 MeV/c up to 20 GeV/c. Traditionally, particles are selected with rectangular cuts. Acmuch better performance can be achieved with machine learning (ML) methods. Our solution uses multiple neural networks (NN) serving as binary classifiers. Moreover, we extended our particle classifier with Feature Set Embedding and attention in order to train on data with incomplete samples. We also present the integration of the ML project with the ALICE analysis software, and we discuss domain adaptation, the ML technique needed to transfer the knowledge between simulated and real experimental data.
• Abstract（参考訳）: LHCでのALICE実験は、超相対論的重イオン衝突で形成される強く相互作用する物質の特性を測定する。 このような研究には正確な粒子識別(PID)が必要である。 ALICEは、約100MeV/cから20GeV/cまでの運動量を持つ粒子の複数の検出器を介してPID情報を提供する。 伝統的に、粒子は長方形の切断で選択される。 機械学習(ML)メソッドでは、パフォーマンスが大幅に向上する。 私たちのソリューションでは、バイナリ分類器として複数のニューラルネットワーク(NN)を使用します。 さらに,不完全サンプルを用いたデータトレーニングのために,特徴セット埋め込みと注意を付加した粒子分類器を拡張した。 また、ALICE解析ソフトウェアとMLプロジェクトの統合について述べるとともに、シミュレーションデータと実実験データの間で知識を伝達するために必要なML技術であるドメイン適応について論じる。

関連論文リスト

• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Machine-learning-based particle identification with missing data [2.87527787066181]
  本研究では,CERNにおけるALICE実験の範囲内での粒子同定(PID)の新たな手法を提案する。 提案手法は,全粒子種に対して選択された試料のPID純度と効率を向上する。
  論文  参考訳（メタデータ） (2023-12-21T10:20:10Z)
• Closing the loop: Autonomous experiments enabled by machine-learning-based online data analysis in synchrotron beamline environments [80.49514665620008]
  機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。 本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。 本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
  論文  参考訳（メタデータ） (2023-06-20T21:21:19Z)
• Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
  分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。 最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。 我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
  論文  参考訳（メタデータ） (2023-06-05T04:34:54Z)
• 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)
• Using Machine Learning for Particle Identification in ALICE [0.0]
  粒子識別(PID)は、LHCにおけるALICE実験の主要な強みの1つである。 ALICEにおけるPIDに対する機械学習手法の現状について述べる。 我々はLHC Run 2のためのランダムフォレストアプローチと、ドメイン適応ニューラルネットワークに基づくより高度な解について検討する。
  論文  参考訳（メタデータ） (2022-04-14T11:59:49Z)
• Machine learning identification of symmetrized base states of Rydberg atoms [0.8258451067861933]
  我々は機械学習(ML)モデルを用いて、様々な原子数のリドバーグ原子の相互作用の基底状態を特定する。 数百のサンプルのみを含むデータセットに対して最大100%の精度を達成する。
  論文  参考訳（メタデータ） (2021-07-29T04:45:13Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Knowledge transfer across cell lines using Hybrid Gaussian Process models with entity embedding vectors [62.997667081978825]
  生物化学的プロセスを開発するために、多数の実験が実施されている。 既に開発されたプロセスのデータを利用して、新しいプロセスの予測を行い、必要な実験の数を大幅に削減できるだろうか。
  論文  参考訳（メタデータ） (2020-11-27T17:38:15Z)
• Unsupervised Learning for Identifying Events in Active Target Experiments [1.4174475093445236]
  本稿では、アクティブターゲット検出器におけるイベント分離問題に対する教師なし機械学習手法の新たな応用について述べる。 包括的な目標は、データ分析の初期段階で同様のイベントをグループ化し、不必要なイベントの計算に高価な処理を制限することで効率を向上させることである。
  論文  参考訳（メタデータ） (2020-08-06T16:49:39Z)
• Heuristic machinery for thermodynamic studies of SU(N) fermions with neural networks [1.1910997817688513]
  機械学習分析を用いて機械を導入する。 我々は、SU($N$)スピン対称性内で相互作用する超低温フェルミオンの密度プロファイルにおける熱力学的研究の導出に機械を用いる。 我々の機械学習フレームワークは、SU($N$) フェルミ液体の理論的記述を検証できる可能性を示している。
  論文  参考訳（メタデータ） (2020-06-25T02:31:55Z)

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。