論文の概要: Efficient representation learning of scintillation signal characteristics with spectrum-inspired temporal neural networks

• arxiv url: http://arxiv.org/abs/2410.07267v1
• Date: Wed, 9 Oct 2024 02:44:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 21:26:45.616335
• Title: Efficient representation learning of scintillation signal characteristics with spectrum-inspired temporal neural networks
• Title（参考訳）: スペクトル誘発時空間ニューラルネットワークを用いたシンチレーション信号特性の効率的な表現学習
• Authors: Pengcheng Ai, Xiangming Sun, Zhi Deng, Xinchi Ran,
• Abstract要約: シンチレータを用いた核放射線検出器は、粒子・高エネルギー物理実験、核医学イメージング、産業・環境検出等に広く利用されている。 本稿では,従来の時系列解析に基づくシンチレーション信号のキャラクタリゼーションに適したネットワークアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 1.124958340749622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nuclear radiation detectors based on scintillators are widely used in particle and high energy physics experiments, nuclear medicine imaging, industrial and environmental detection, etc. Precisely extracting scintillation signal characteristics at the event level is important for these applications, not only in respect of understanding the scintillator itself, but also kinds and physical property of incident particles. Recent researches demonstrate data-driven neural networks are superior to traditional statistical methods, especially when the analytical form of signals is hard to obtain, or noise is significant. However, most densely connected or convolution-based networks fail to fully exploit the spectral and temporal structure of scintillation signals, leaving large space for performance improvement. In this paper, we propose a network architecture specially tailored for scintillation signal characterization based on previous works on time series analysis. By directly applying Fast Fourier Transform on original signals without data embedding, including the zero-frequency component, adjusting convolution scheme for low-frequency components, and unbiasedly re-weighting features from different frequencies, the proposed network architecture can serve as a lightweight and enhanced representation learning backbone. We prove our idea on simulation data generated with the setting of the LUX dark matter detector, and on experimental electrical signals with fast electronics to emulate scintillation variations. The proposed model achieves significantly better results than the reference model in literature and densely connected models without representation learning.
• Abstract（参考訳）: シンチレータを用いた核放射線検出器は、粒子・高エネルギー物理実験、核医学イメージング、産業・環境検出等に広く利用されている。 イベントレベルでのシンチレータ信号特性の精密抽出は, シンチレータ自体の理解だけでなく, インシデント粒子の種類や物理的性質についても重要である。 近年の研究では、データ駆動ニューラルネットワークが従来の統計手法よりも優れていることが示されている。 しかし、最も密結合または畳み込みに基づくネットワークはシンチレーション信号のスペクトル構造と時間構造を完全に活用できず、性能改善のための大きな空間を残している。 本稿では,従来の時系列解析に基づくシンチレーション信号のキャラクタリゼーションに適したネットワークアーキテクチャを提案する。 ゼロ周波数成分、低周波数成分の畳み込み方式の調整、異なる周波数からの不偏りのない特徴の再重み付けなどを含む、データ埋め込みのない元の信号にFast Fourier Transformを直接適用することにより、提案したネットワークアーキテクチャは軽量で拡張された表現学習バックボーンとして機能する。 我々は、LUXダークマター検出器の設定によって生成されたシミュレーションデータと、シンチレーション変動をエミュレートする高速電子回路を用いた実験電気信号について、その考え方を実証する。 提案モデルでは,表現学習を伴わない文献や密結合モデルにおいて,参照モデルよりもはるかに優れた結果が得られる。

関連論文リスト

• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Label-free timing analysis of SiPM-based modularized detectors with physics-constrained deep learning [9.234802409391111]
  モジュール化検出器のタイミング解析のためのディープラーニングに基づく新しい手法を提案する。 本稿では,提案手法が求める最適関数の存在を数学的に証明し,モデルのトレーニングと校正のための体系的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-24T09:16:31Z)
• Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks [101.59367762974371]
  本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。 パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。 我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
  論文  参考訳（メタデータ） (2022-10-08T04:32:58Z)
• Electron energy loss spectroscopy database synthesis and automation of core-loss edge recognition by deep-learning neural networks [0.0]
  原スペクトルからコアロスエッジの検出と要素同定を自動化するために,畳み込み型双方向長短期記憶ニューラルネットワーク(CNN-BiLSTM)を提案する。 94.9%の精度で、提案したCNN-BiLSTMネットワークは、生スペクトルの複雑な前処理がなければ、高い精度でEELSスペクトルのコアロスエッジ認識を自動化できることを証明している。
  論文  参考訳（メタデータ） (2022-09-26T20:57:34Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• A Novel Approach For Analysis of Distributed Acoustic Sensing System Based on Deep Transfer Learning [0.0]
  畳み込みニューラルネットワークは、空間情報を抽出するための非常に有能なツールである。 LSTM(Long-Short term memory)は、シーケンシャルデータを処理するための有効な機器である。 我々のフレームワークのVGG-16アーキテクチャは、50のトレーニングで100%の分類精度が得られる。
  論文  参考訳（メタデータ） (2022-06-24T19:56:01Z)
• Classification of Intra-Pulse Modulation of Radar Signals by Feature Fusion Based Convolutional Neural Networks [5.199765487172328]
  本研究では、パルス内変調型レーダ信号を自動的に認識するディープラーニングに基づく新しい手法を提案する。 提案するFF-CNN技術は,現在の最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-19T20:18:17Z)
• The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
  PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。 これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。 このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。 我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
  論文  参考訳（メタデータ） (2022-02-27T23:12:43Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Signal Transformer: Complex-valued Attention and Meta-Learning for Signal Recognition [33.178794056273304]
  本稿では,理論収束保証を伴う一般の非評価問題に対して,CAMEL(complex-valued Attentional MEta Learner)を提案する。 本報告では, 状態が小さい場合に, 提案したデータ認識実験の優位性を示す。
  論文  参考訳（メタデータ） (2021-06-05T03:57:41Z)

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。