論文の概要: Deep(er) Reconstruction of Imaging Cherenkov Detectors with Swin Transformers and Normalizing Flow Models
- arxiv url: http://arxiv.org/abs/2407.07376v1
- Date: Wed, 10 Jul 2024 05:37:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-11 17:41:30.250052
- Title: Deep(er) Reconstruction of Imaging Cherenkov Detectors with Swin Transformers and Normalizing Flow Models
- Title（参考訳）: スイム変圧器と正規化流モデルを用いたチェレンコフイメージング検出器の深部再構成
- Authors: Cristiano Fanelli, James Giroux, Justin Stevens,
- Abstract要約: チェレンコフ検出器のイメージングは、核物理学と粒子物理学の実験において粒子識別(PID)に不可欠である。
本稿では,複雑なヒットパターンを示すDIRC検出器に着目し,JLabのGlueX実験において,ピオンとカオンのPIDにも使用される。
We present Deep(er)RICH, a extension of the seminal DeepRICH work, offered improve and faster PID than traditional methods。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Imaging Cherenkov detectors are crucial for particle identification (PID) in nuclear and particle physics experiments. Fast reconstruction algorithms are essential for near real-time alignment, calibration, data quality control, and efficient analysis. At the future Electron-Ion Collider (EIC), the ePIC detector will feature a dual Ring Imaging Cherenkov (dual-RICH) detector in the hadron direction, a Detector of Internally Reflected Cherenkov (DIRC) in the barrel, and a proximity focus RICH in the electron direction. This paper focuses on the DIRC detector, which presents complex hit patterns and is also used for PID of pions and kaons in the GlueX experiment at JLab. We present Deep(er)RICH, an extension of the seminal DeepRICH work, offering improved and faster PID compared to traditional methods and, for the first time, fast and accurate simulation. This advancement addresses a major bottleneck in Cherenkov detector simulations involving photon tracking through complex optical elements. Our results leverage advancements in Vision Transformers, specifically hierarchical Swin Transformer and normalizing flows. These methods enable direct learning from real data and the reconstruction of complex topologies. We conclude by discussing the implications and future extensions of this work, which can offer capabilities for PID for multiple cutting-edge experiments like the future EIC.
- Abstract（参考訳）: チェレンコフ検出器のイメージングは、核物理学と粒子物理学の実験において粒子識別(PID)に不可欠である。
高速再構成アルゴリズムは、ほぼリアルタイムなアライメント、キャリブレーション、データ品質制御、効率的な分析に不可欠である。
将来のElectron-Ion Collider(EIC)では、ePIC検出器は2つのリングイメージングチェレンコフ検出器をハドロン方向に配置し、内部反射チェレンコフ検出器(DIRC)をバレルに配置し、近接焦点RICHを電子方向に配置する。
本稿では,複雑なヒットパターンを示すDIRC検出器に着目し,JLabのGlueX実験において,ピオンとカオンのPIDにも使用される。
We present Deep(er)RICH, a extension of the seminal DeepRICH work, offered improve and faster PID than traditional method and the first time, fast and accurate simulation。
この進歩は、複雑な光学素子を通る光子追跡を含むチェレンコフ検出器シミュレーションにおける大きなボトルネックに対処する。
その結果、視覚変換器、特に階層型スウィン変換器と正規化フローの進歩を生かした。
これらの手法は、実データから直接学習し、複雑なトポロジーの再構築を可能にする。
本研究の意義と今後の拡張について論じることで、将来のEICのような最先端の複数の実験にPIDの能力を提供できると結論付けている。
関連論文リスト
- CycleHOI: Improving Human-Object Interaction Detection with Cycle Consistency of Detection and Generation [37.45945633515955]
本稿では,人間と物体の相互作用(HOI)の検出性能を高めるために,CycleHOIという新しい学習フレームワークを提案する。
我々の鍵となる設計は、HOI検出器のトレーニングのための新しいサイクル整合性損失を導入することである。
我々は,CycleHOIの有効性と一般化力を検証するための広範囲な実験を行った。
論文 参考訳（メタデータ） (2024-07-16T06:55:43Z) - Design and simulation of a transmon qubit chip for Axion detection [103.69390312201169]
超伝導量子ビットに基づくデバイスは、量子非劣化測定(QND)による数GHz単一光子の検出に成功している。
本研究では,Qub-ITの超伝導量子ビットデバイスの実現に向けた状況を示す。
論文 参考訳（メタデータ） (2023-10-08T17:11:42Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - Integral Migrating Pre-trained Transformer Encoder-decoders for Visual
Object Detection [78.2325219839805]
imTEDは、数発のオブジェクト検出の最先端を最大7.6%改善する。
MS COCOデータセットの実験は、imTEDが一貫してそのデータセットを2.8%上回っていることを示している。
論文 参考訳（メタデータ） (2022-05-19T15:11:20Z) - Artificial Intelligence for Imaging Cherenkov Detectors at the EIC [0.0]
チェレンコフ検出器は将来の電子イオン衝突型加速器(EIC)で粒子識別(PID)のバックボーンを形成する
この作業は、EICでチェレンコフ検出器を撮像するためのAIの現在進行中の取り組みと応用をまとめたものである。
論文 参考訳（メタデータ） (2022-04-19T03:58:01Z) - 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) - Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。
粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
論文 参考訳（メタデータ） (2021-05-08T03:50:45Z) - Deep learning with photosensor timing information as a background
rejection method for the Cherenkov Telescope Array [0.0]
Atmospheric Cherenkov Telescopes (IACTs) の画像解析における新たな深層学習手法の提案
cnnは、チェレンコフシャワー画像に含まれる全情報を使用する直接イベント分類方法を提供することができる。
論文 参考訳（メタデータ） (2021-03-10T13:54:43Z) - Rapid characterisation of linear-optical networks via PhaseLift [51.03305009278831]
集積フォトニクスは優れた位相安定性を提供し、半導体産業によって提供される大規模な製造性に依存することができる。
このような光回路に基づく新しいデバイスは、機械学習アプリケーションにおいて高速でエネルギー効率の高い計算を約束する。
線形光ネットワークの転送行列を再構成する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-10-01T16:04:22Z) - Machine Learning for Imaging Cherenkov Detectors [0.0]
本稿では,チェレンコフ検出器への応用を目的とした新しい方向について述べる。
検出器の設計とキャリブレーションの最近の進歩と粒子識別について述べる。
論文 参考訳（メタデータ） (2020-06-09T22:57:14Z) - Using Machine Learning to Speed Up and Improve Calorimeter R&D [0.7106986689736827]
物理性能の評価を遅くする2つの典型的な問題は、特にカロリー検出器技術や構成に対するアプローチである。
本稿では,検出器開発および最適化サイクルの精度向上と高速化を目的とした,高度な機械学習技術の利用について論じる。
論文 参考訳（メタデータ） (2020-03-27T14:44:46Z)
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。