論文の概要: Reconstruction of Particle Flow Energy Distribution Using Deep Learning Algorithms

• arxiv url: http://arxiv.org/abs/2410.07250v1
• Date: Tue, 8 Oct 2024 11:49:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 21:26:45.645771
• Title: Reconstruction of Particle Flow Energy Distribution Using Deep Learning Algorithms
• Title（参考訳）: 深層学習アルゴリズムを用いた粒子流エネルギー分布の再構成
• Authors: Han Zhang, Shengxiang Lin, Xingyi Zhang, Yu Wang, Yangguang Zhang,
• Abstract要約: 近年の進歩は、エネルギーマップ再構築のための様々なサブ検出器からの熱量計画像の深層学習による処理である。 本稿では,従来のアルゴリズム-MLP,CNN,U-Net,RNN-を,自己注意と3D畳み込みモジュールを含む変種と比較する。 ジェットイベントのテストデータセットを使用して、異常な高エネルギーイベントを扱う際のモデルの性能を分析し、比較する。
• 参考スコア（独自算出の注目度）: 8.5980103509356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In high-energy particle physics, extracting information from complex detector signals is crucial for energy reconstruction. Recent advancements involve using deep learning to process calorimeter images from various sub-detectors in experiments like the Large Hadron Collider (LHC) for energy map reconstruction. This paper compares classical algorithms\-MLP, CNN, U-Net, and RNN\-with variants that include self-attention and 3D convolution modules to evaluate their effectiveness in reconstructing the initial energy distribution. Additionally, a test dataset of jet events is utilized to analyze and compare models' performance in handling anomalous high-energy events. The analysis highlights the effectiveness of deep learning techniques for energy image reconstruction and explores their potential in this area.
• Abstract（参考訳）: 高エネルギー粒子物理学では、複雑な検出器信号から情報を抽出することがエネルギー再構成に不可欠である。 近年の進歩は、エネルギーマップ再構築のための大型ハドロン衝突型加速器(LHC)のような実験において、様々なサブ検出器からの熱量計画像を処理するためにディープラーニングを使用する。 本稿では,従来のアルゴリズムであるMLP,CNN,U-Net,RNNを,自己アテンションと3次元畳み込みモジュールを含む変種と比較し,初期エネルギー分布の再構成の有効性を評価する。 さらに、ジェットイベントのテストデータセットを使用して、異常な高エネルギーイベントを扱う際のモデルの性能を分析し、比較する。 この分析は,エネルギー画像再構成における深層学習の有効性を強調し,その可能性を探るものである。

関連論文リスト

• End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
  本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。 我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
  論文  参考訳（メタデータ） (2023-05-17T17:43:10Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• Energy reconstruction for large liquid scintillator detectors with machine learning techniques: aggregated features approach [0.6015898117103069]
  本研究は, JUNOにおけるエネルギー再構成のための機械学習手法について述べる。 核融合炉核由来のJUNO$-$ニュートリノの主信号に対応する0-10MeVのエネルギー範囲における陽電子事象に焦点を当てた。 我々は,PMTによって収集された情報を用いて,集約された特徴に基づいて学習したブースト決定木と完全連結ディープニューラルネットワークについて考察する。
  論文  参考訳（メタデータ） (2022-06-17T22:50:50Z)
• Deep learning techniques for energy clustering in the CMS ECAL [0.0]
  CMSにおける電子と光子の再構成は、入射粒子によって堆積されたエネルギーのトポロジカルクラスタリングに依存する。 グラフニューラルネットワーク(GNN)や自己認識アルゴリズムといった最先端のディープラーニングアーキテクチャを活用する新しい手法が研究されている。
  論文  参考訳（メタデータ） (2022-04-21T17:23:43Z)
• End-to-end multi-particle reconstruction in high occupancy imaging calorimeters with graph neural networks [18.347013421412793]
  本研究では,検出器ヒットから粒子候補を粒度計で生成するエンド・ツー・エンドの再構成アルゴリズムを提案する。 このアルゴリズムは距離重み付きグラフニューラルネットワークを利用して、グラフセグメンテーション技術であるオブジェクト凝縮を訓練する。 この研究は、200の知識を積み重ねた高輝度条件下での1枚あたりのO(1000)$の粒子の1回の熱量再構成の例である。
  論文  参考訳（メタデータ） (2022-04-04T17:51:43Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)
• 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)
• Energy Drain of the Object Detection Processing Pipeline for Mobile Devices: Analysis and Implications [77.00418462388525]
  本稿では、移動体拡張現実(AR)クライアントのエネルギー消費と、畳み込みニューラルネットワーク(CNN)に基づく物体検出を行う際の検出遅延について、初めて詳細な実験を行った。 我々は,移動体ARクライアントのエネルギー分析を精査し,CNNによる物体検出を行う際のエネルギー消費に関するいくつかの興味深い視点を明らかにした。
  論文  参考訳（メタデータ） (2020-11-26T00:32:07Z)
• Shared Prior Learning of Energy-Based Models for Image Reconstruction [69.72364451042922]
  本研究では,地中真理データを含まないトレーニングに特化して設計された画像再構成のための新しい学習ベースフレームワークを提案する。 基底真理データがない場合には、損失関数をパッチベースのワッサーシュタイン関数に変更する。 共用事前学習では、上記の最適制御問題と正規化器の共用学習パラメータを同時に最適化する。
  論文  参考訳（メタデータ） (2020-11-12T17:56:05Z)

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。