論文の概要: Calo-VQ: Vector-Quantized Two-Stage Generative Model in Calorimeter Simulation

• arxiv url: http://arxiv.org/abs/2405.06605v2
• Date: Mon, 3 Jun 2024 20:38:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 09:12:28.958206
• Title: Calo-VQ: Vector-Quantized Two-Stage Generative Model in Calorimeter Simulation
• Title（参考訳）: Calo-VQ:カロリメータシミュレーションにおけるベクトル量子化された2段階生成モデル
• Authors: Qibin Liu, Chase Shimmin, Xiulong Liu, Eli Shlizerman, Shu Li, Shih-Chieh Hsu,
• Abstract要約: 本稿では,ベクトル量子化変分オートエンコーダ(VQ-VAE)を応用した,カロリー検出器応答の高速シミュレーションのための新しい機械学習手法を提案する。 我々のモデルは2段階生成戦略を採用している: 幾何対応のカロリーメータデータを離散潜在空間に圧縮し、次に列モデルを用いて潜在トークンを学習・生成する。 顕著なことに、我々のモデルはミリ秒以内のカロリーメータシャワーを発生させる。
• 参考スコア（独自算出の注目度）: 14.42579802774594
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a novel machine learning method developed for the fast simulation of calorimeter detector response, adapting vector-quantized variational autoencoder (VQ-VAE). Our model adopts a two-stage generation strategy: initially compressing geometry-aware calorimeter data into a discrete latent space, followed by the application of a sequence model to learn and generate the latent tokens. Extensive experimentation on the Calo-challenge dataset underscores the efficiency of our approach, showcasing a remarkable improvement in the generation speed compared with conventional method by a factor of 2000. Remarkably, our model achieves the generation of calorimeter showers within milliseconds. Furthermore, comprehensive quantitative evaluations across various metrics are performed to validate physics performance of generation.
• Abstract（参考訳）: 本稿では,ベクトル量子化変分オートエンコーダ(VQ-VAE)を応用した,温度計応答の高速シミュレーションのための機械学習手法を提案する。 そこで本モデルでは,まずジオメトリ・アウェア・カロリーメータデータを離散潜在空間に圧縮し,次に列モデルを用いて潜在トークンを学習・生成する。 Calo-Challengeデータセットの大規模な実験は,2000年の因子による従来の手法と比較して,生成速度が著しく向上したことを示す。 顕著なことに、我々のモデルはミリ秒以内のカロリーメータシャワーを発生させる。 さらに, 様々な測定値の総合的な定量的評価を行い, 生成の物理性能を検証した。

関連論文リスト

• CaloChallenge 2022: A Community Challenge for Fast Calorimeter Simulation [22.42342223406944]
  我々は,「Fast Calorimeter Simulation Challenge 2022 - the CaloChallenge」の結果を提示する。 本研究では,4カロリーのシャワーデータセットの次元性向上に関する最先端生成モデルについて検討した。
  論文  参考訳（メタデータ） (2024-10-28T23:28:07Z)
• Unifying Simulation and Inference with Normalizing Flows [0.08796261172196743]
  エネルギー回帰のための条件付き生成モデルから最大極大推定(MLE)を用いて2つのタスクを統一できることを示す。 ATLASライクなカロリーメータシミュレーションを用いて、この概念をカロリーメータのエネルギーキャリブレーションの文脈で実証する。
  論文  参考訳（メタデータ） (2024-04-29T18:00:00Z)
• Predicting Ordinary Differential Equations with Transformers [65.07437364102931]
  単一溶液軌道の不規則サンプリングおよび雑音観測から,スカラー常微分方程式(ODE)を記号形式で復元するトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを開発した。 提案手法は, 1回に一度, ODE の大規模な事前訓練を行った後, モデルのいくつかの前方通過において, 新たな観測解の法則を推測することができる。
  論文  参考訳（メタデータ） (2023-07-24T08:46:12Z)
• Comparison of Point Cloud and Image-based Models for Calorimeter Fast Simulation [48.26243807950606]
  2つの最先端スコアベースのモデルが、同じカロリーメータのシミュレーションに基づいてトレーニングされ、直接比較される。 生成モデルは、高次元のカロリーメーターデータセットを正確に生成することが示されている新しい生成モデルのクラスである。
  論文  参考訳（メタデータ） (2023-07-10T08:20:45Z)
• Machine Learning methods for simulating particle response in the Zero Degree Calorimeter at the ALICE experiment, CERN [8.980453507536017]
  現在、CERN GRIDの計算能力の半分以上が高エネルギー物理シミュレーションに使われている。 大型ハドロン衝突型加速器(LHC)の最新情報により、より効率的なシミュレーション手法の開発の必要性が高まっている。 機械学習を利用した問題に対する代替手法を提案する。
  論文  参考訳（メタデータ） (2023-06-23T16:45:46Z)
• Geometry-aware Autoregressive Models for Calorimeter Shower Simulations [6.01665219244256]
  本研究では, 幾何線量に基づく幾何学的自己回帰モデルを構築した。 これは、新しい目に見えないカロリーメーターに一般化できるモデルを構築するための、概念実証の重要なステップである。 このようなモデルは、大型ハドロン衝突型加速器実験において、カロリーメータシミュレーションに使用される数百の生成モデルを置き換えることができる。
  論文  参考訳（メタデータ） (2022-12-16T01:45:17Z)
• Score-based Generative Models for Calorimeter Shower Simulation [2.0813318162800707]
  カロスコア(CaloScore)は、カロリーメータのシャワー発生に応用したコライダー物理のためのスコアベース生成モデルである。 CaloScoreは、コライダー物理学におけるスコアベースの生成モデルの最初の応用であり、全てのデータセットに対して高忠実度カロリー画像を生成することができる。
  論文  参考訳（メタデータ） (2022-06-17T18:01:02Z)
• Layer Pruning on Demand with Intermediate CTC [50.509073206630994]
  我々はコネクショニスト時間分類(CTC)に基づくASRの訓練と刈り取り方法を提案する。 本稿では,Transformer-CTCモデルをオンデマンドで様々な深さでプルーニングできることを示し,GPU上でのリアルタイム係数を0.005から0.002に改善した。
  論文  参考訳（メタデータ） (2021-06-17T02:40:18Z)
• Parameterized Temperature Scaling for Boosting the Expressive Power in Post-Hoc Uncertainty Calibration [57.568461777747515]
  我々は新しいキャリブレーション手法であるパラメタライズド温度スケーリング(PTS)を導入する。 最新のポストホックキャリブレータの精度保持性能は、その本質的な表現力によって制限されることを実証します。 当社の新しい精度保存手法が,多数のモデルアーキテクチャやデータセット,メトリクスにおいて,既存のアルゴリズムを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2021-02-24T10:18:30Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• Sample Complexity Bounds for 1-bit Compressive Sensing and Binary Stable Embeddings with Generative Priors [52.06292503723978]
  生成モデルを用いた圧縮センシングの進歩により, 生成モデルを用いた1ビット圧縮センシングの問題点を考察した。 まずノイズのない1ビット測定を考察し, ガウス測度に基づく近似回復のためのサンプル複雑性境界を提供する。 また,リプシッツ連続生成モデルを用いた1ビット圧縮センシングにも有効であることを示すため,評価誤差と雑音に対する再構成の堅牢性を示すBinary $epsilon$-Stable Embedding特性を実証した。
  論文  参考訳（メタデータ） (2020-02-05T09:44:10Z)

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。