論文の概要: Lightweight Deep Learning Framework for Accurate Particle Flow Energy Reconstruction

• arxiv url: http://arxiv.org/abs/2410.07250v2
• Date: Mon, 12 May 2025 09:19:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.691112
• Title: Lightweight Deep Learning Framework for Accurate Particle Flow Energy Reconstruction
• Title（参考訳）: 高精度粒子流エネルギー再構成のための軽量深層学習フレームワーク
• Authors: Yu Wang, Yangguang Zhang, Shengxiang Lin, Xingyi Zhang, Han Zhang,
• Abstract要約: 本稿では,ディープラーニング再構築の枠組みを体系的に評価する。 重み付き平均2乗と誤差構造類似度指数を組み合わせたハイブリッド損失関数を設計する。 我々は,モーダル時間的相関とエネルギー変位非線形性を捉えるモデルの能力を強化する。
• 参考スコア（独自算出の注目度）: 8.598010350935596
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Under extreme operating conditions, characterized by high particle multiplicity and heavily overlapping shower energy deposits, classical particle flow algorithms encounter pronounced limitations in resolution, efficiency, and accuracy. To address this challenge, this paper proposes and systematically evaluates a deep learning reconstruction framework: For multichannel sparse features, we design a hybrid loss function combining weighted mean squared error with structural similarity index, effectively balancing pixel-level accuracy and structural fidelity. By integrating 3D convolutions, Squeeze-and-Excitation channel attention, and Offset self-attention modules into baseline convolutional neural networks, we enhance the model's capability to capture cross-modal spatiotemporal correlations and energy-displacement nonlinearities. Validated on custom-constructed simulation data and Pythia jet datasets, the framework's 90K-parameter lightweight variant approaches the performance of 5M-parameter baselines, while the 25M-parameter 3D model achieves state-of-the-art results in both interpolation and extrapolation tasks. Comprehensive experiments quantitatively evaluate component contributions and provide performance-parameter trade-off guidelines. All core code and data processing scripts are open-sourced on a GitHub repository to facilitate community reproducibility and extension.
• Abstract（参考訳）: 極度の運転条件下では、高粒子の多重度と重重なり合うシャワーエネルギーの堆積が特徴であり、古典的な粒子流アルゴリズムは分解能、効率、精度において顕著な限界に遭遇する。 マルチチャネルスパース機能に対して、重み付き平均二乗誤差と構造的類似度指数を組み合わせたハイブリッド損失関数を設計し、画素レベルの精度と構造的忠実度を効果的にバランスさせる。 本研究では, 3次元畳み込み, Squeeze-and-Excitation channel attention, and Offset self-attention module をベースライン畳み込みニューラルネットワークに統合することにより, モーダル空間の時空間相関とエネルギー移動非線形性を捉えるモデルの能力を向上する。 カスタム構成のシミュレーションデータとPythiaジェットデータセットに基づいて検証されたこのフレームワークの軽量な90Kパラメーターは、5Mパラメーターベースラインのパフォーマンスに近づき、25Mパラメーター3Dモデルは補間と補間の両方において最先端の結果を達成する。 総合的な実験は、コンポーネントのコントリビューションを定量的に評価し、パフォーマンスパラメータトレードオフガイドラインを提供する。 すべてのコアコードとデータ処理スクリプトは、コミュニティの再現性と拡張を容易にするために、GitHubリポジトリでオープンソース化されている。

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。