論文の概要: Generative Diffusion Models for Fast Simulations of Particle Collisions at CERN
- arxiv url: http://arxiv.org/abs/2406.03233v1
- Date: Wed, 5 Jun 2024 13:11:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 18:20:44.069494
- Title: Generative Diffusion Models for Fast Simulations of Particle Collisions at CERN
- Title（参考訳）: CERNにおける粒子衝突の高速シミュレーションのための生成拡散モデル
- Authors: Mikołaj Kita, Jan Dubiński, Przemysław Rokita, Kamil Deja,
- Abstract要約: 高エネルギー物理シミュレーションでは、CERNの大型ハドロン衝突型加速器における粒子衝突実験の複雑さの解明に重要な役割を果たしている。
近年の進歩は、最先端の生成機械学習手法として拡散モデルの有効性を強調している。
拡散モデルに基づくALICE実験において,Zero Degree Calorimeter (ZDC) のシミュレーションを行った。
- 参考スコア（独自算出の注目度）: 3.2686289567336235
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In High Energy Physics simulations play a crucial role in unraveling the complexities of particle collision experiments within CERN's Large Hadron Collider. Machine learning simulation methods have garnered attention as promising alternatives to traditional approaches. While existing methods mainly employ Variational Autoencoders (VAEs) or Generative Adversarial Networks (GANs), recent advancements highlight the efficacy of diffusion models as state-of-the-art generative machine learning methods. We present the first simulation for Zero Degree Calorimeter (ZDC) at the ALICE experiment based on diffusion models, achieving the highest fidelity compared to existing baselines. We perform an analysis of trade-offs between generation times and the simulation quality. The results indicate a significant potential of latent diffusion model due to its rapid generation time.
- Abstract（参考訳）: 高エネルギー物理シミュレーションでは、CERNの大型ハドロン衝突型加速器における粒子衝突実験の複雑さの解明に重要な役割を果たしている。
機械学習シミュレーション手法は、従来のアプローチに代わる有望な代替手段として注目されている。
既存の手法は変分オートエンコーダ(VAE)やGAN(Generative Adversarial Networks)が中心であるが、近年の進歩は拡散モデルの有効性を最先端の生成機械学習手法として強調している。
拡散モデルに基づくALICE実験において,Zero Degree Calorimeter (ZDC) のシミュレーションを行った。
生成時間とシミュレーション品質のトレードオフ分析を行う。
その結果, 高速発生による潜伏拡散モデルの有意なポテンシャルが示唆された。
関連論文リスト
- Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。
我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
論文 参考訳（メタデータ） (2024-10-28T17:25:56Z) - Unfolding Time: Generative Modeling for Turbulent Flows in 4D [49.843505326598596]
本研究では,4次元生成拡散モデルと物理インフォームドガイダンスを導入し,現実的な流れ状態列の生成を可能にする。
提案手法は, 乱流多様体からのサブシーケンス全体のサンプリングに有効であることが示唆された。
この進展は、乱流の時間的進化を分析するために生成モデリングを適用するための扉を開く。
論文 参考訳（メタデータ） (2024-06-17T10:21:01Z) - Deep Generative Models for Proton Zero Degree Calorimeter Simulations in ALICE, CERN [3.2686289567336235]
本稿では、ALICE実験において、プロトンZero Degree Calorimeterに合わせた革新的なディープラーニングシミュレーション手法を提案する。
本手法は,モンテカルロをベースとした従来の手法と比較して,大幅な高速化を実現する。
論文 参考訳（メタデータ） (2024-06-05T13:41:09Z) - Physics-enhanced Neural Operator for Simulating Turbulent Transport [9.923888452768919]
本稿では、偏微分方程式(PDE)の物理知識を取り入れた物理強化型ニューラル演算子(PENO)について、正確に流れのダイナミクスをモデル化する。
提案手法は,2つの異なる3次元乱流データに対して,その性能評価を行う。
論文 参考訳（メタデータ） (2024-05-31T20:05:17Z) - Particle physics DL-simulation with control over generated data properties [3.2686289567336235]
コスト削減とシミュレーションに必要な時間を短縮することを目的とした革新的な手法の研究は、CERNにおける衝突シミュレーションの開発によって引き起こされた。
この目的のために,VAE,GAN,拡散モデルなどのディープラーニング生成手法が用いられている。
この作業は、生成されたデータプロパティを制御するメカニズムを導入することで、現在使われているアルゴリズムに代わるソリューションを提供することによって、この問題を軽減することを目的としている。
論文 参考訳（メタデータ） (2024-05-22T22:39:29Z) - Uncertainty-aware Surrogate Models for Airfoil Flow Simulations with Denoising Diffusion Probabilistic Models [26.178192913986344]
本研究では,拡散確率モデル(DDPM)を用いて乱流シミュレーションのための不確実性を考慮した代理モデルの訓練を行う。
その結果、DDPMは解全体の分布を正確に把握し、その結果、シミュレーションの不確かさを正確に推定できることがわかった。
また,正規拡散モデルと比較して,新たな生成モデルであるフローマッチングの評価を行った。
論文 参考訳（メタデータ） (2023-12-08T19:04:17Z) - Learning Energy-Based Prior Model with Diffusion-Amortized MCMC [89.95629196907082]
非収束短距離MCMCを用いた事前及び後方サンプリングによる潜時空間EMM学習の一般的な実践は、さらなる進歩を妨げている。
本稿では,MCMCサンプリングのための単純だが効果的な拡散型アモータイズ手法を導入し,それに基づく潜時空間EMMのための新しい学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-10-05T00:23:34Z) - 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) - A Survey on Generative Diffusion Model [75.93774014861978]
拡散モデルは、深層生成モデルの新たなクラスである。
時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。
本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
論文 参考訳（メタデータ） (2022-09-06T16:56:21Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳（メタデータ） (2022-06-26T10:58:41Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z)
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。