論文の概要: Deep Generative Models for Proton Zero Degree Calorimeter Simulations in ALICE, CERN

• arxiv url: http://arxiv.org/abs/2406.03263v1
• Date: Wed, 5 Jun 2024 13:41:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 18:10:52.616962
• Title: Deep Generative Models for Proton Zero Degree Calorimeter Simulations in ALICE, CERN
• Title（参考訳）: ALICEにおける陽子ゼロ度熱量シミュレーションのための深部生成モデル
• Authors: Patryk Będkowski, Jan Dubiński, Kamil Deja, Przemysław Rokita,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.2686289567336235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulating detector responses is a crucial part of understanding the inner-workings of particle collisions in the Large Hadron Collider at CERN. The current reliance on statistical Monte-Carlo simulations strains CERN's computational grid, underscoring the urgency for more efficient alternatives. Addressing these challenges, recent proposals advocate for generative machine learning methods. In this study, we present an innovative deep learning simulation approach tailored for the proton Zero Degree Calorimeter in the ALICE experiment. Leveraging a Generative Adversarial Network model with Selective Diversity Increase loss, we directly simulate calorimeter responses. To enhance its capabilities in modeling a broad range of calorimeter response intensities, we expand the SDI-GAN architecture with additional regularization. Moreover, to improve the spatial fidelity of the generated data, we introduce an auxiliary regressor network. Our method offers a significant speedup when comparing to the traditional Monte-Carlo based approaches.
• Abstract（参考訳）: 検出器応答のシミュレーションは、CERNの大型ハドロン衝突型加速器における粒子衝突の内部動作を理解する重要な部分である。 現在の統計モンテカルロシミュレーションへの依存はCERNの計算グリッドを歪ませ、より効率的な代替手段の緊急性を強調している。 これらの課題に対処するため、最近の提案では、生成機械学習手法を提唱している。 本研究では、ALICE実験において、プロトンZero Degree Calorimeterに適し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。 選択多変量増加損失を伴う生成逆ネットワークモデルを活用することにより、直接カロリー応答をシミュレートする。 広い範囲のカロリー応答強度をモデル化する能力を高めるため、SDI-GANアーキテクチャをさらなる正規化で拡張する。 さらに、生成されたデータの空間的忠実度を改善するために、補助回帰器ネットワークを導入する。 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。

関連論文リスト

• Applying generative neural networks for fast simulations of the ALICE (CERN) experiment [0.0]
  この論文は、CERNのゼロ・デグレ・カロリメータ(ZDC)中性子検出器の高速シミュレーションのための生成ニューラルネットワークへの最先端の応用について研究している。 GEANT Monte Carlo ツールキットを用いた従来のシミュレーション手法は正確ではあるが、計算的に要求される。 この論文は、コンピュータビジョンにおけるニューラルネットワークの適用、機械学習を用いた高速シミュレーション、高エネルギー物理学における生成ニューラルネットワークに関する包括的な文献レビューを提供する。
  論文  参考訳（メタデータ） (2024-07-10T17:08:59Z)
• Generative Diffusion Models for Fast Simulations of Particle Collisions at CERN [3.2686289567336235]
  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。
  論文  参考訳（メタデータ） (2024-06-05T13:11:53Z)
• 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)
• Calo-VQ: Vector-Quantized Two-Stage Generative Model in Calorimeter Simulation [14.42579802774594]
  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。
  論文  参考訳（メタデータ） (2024-05-10T17:12:48Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• 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)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• 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。