論文の概要: Unsupervised Particle Tracking with Neuromorphic Computing

• arxiv url: http://arxiv.org/abs/2502.06771v1
• Date: Mon, 10 Feb 2025 18:50:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:35:43.261407
• Title: Unsupervised Particle Tracking with Neuromorphic Computing
• Title（参考訳）: ニューロモルフィックコンピューティングを用いた非教師なし粒子追跡
• Authors: Emanuele Coradin, Fabio Cufino, Muhammad Awais, Tommaso Dorigo, Enrico Lupi, Eleonora Porcu, Jinu Raj, Fredrik Sandin, Mia Tosi,
• Abstract要約: 突発的ヒットによる顕著なノイズの存在下で、荷電粒子が残した信号を完全に教師なしの方法で識別することのできる、スパイクニューラルネットワークの方法を示す。 これらの結果は、ニューロモルフィックコンピューティングの粒子追跡への応用への道を開き、将来の高エネルギー物理学実験におけるリアルタイム、低消費電力粒子追跡の可能性に関するさらなる研究を動機付けている。
• 参考スコア（独自算出の注目度）: 1.7471104495490826
• License:
• Abstract: We study the application of a neural network architecture for identifying charged particle trajectories via unsupervised learning of delays and synaptic weights using a spike-time-dependent plasticity rule. In the considered model, the neurons receive time-encoded information on the position of particle hits in a tracking detector for a particle collider, modeled according to the geometry of the Compact Muon Solenoid Phase II detector. We show how a spiking neural network is capable of successfully identifying in a completely unsupervised way the signal left by charged particles in the presence of conspicuous noise from accidental or combinatorial hits. These results open the way to applications of neuromorphic computing to particle tracking, motivating further studies into its potential for real-time, low-power particle tracking in future high-energy physics experiments.
• Abstract（参考訳）: 本研究では、スパイク時間依存の塑性規則を用いて、遅延とシナプス重みの教師なし学習を通じて荷電粒子軌道の同定にニューラルネットワークアーキテクチャを適用した。 検討されたモデルでは、ニューロンは、コンパクトムーン・ソレノイド第2相検出器の幾何学に基づいてモデル化された粒子コライダーの追跡検出器において、粒子の衝突位置に関する時間エンコードされた情報を受け取る。 突発的, 複合的ヒットによる顕著なノイズの存在下で, 荷電粒子が残した信号を完全に教師なしの方法で識別できることを, スパイキングニューラルネットワークが示す。 これらの結果は、ニューロモルフィックコンピューティングの粒子追跡への応用への道を開き、将来の高エネルギー物理学実験におけるリアルタイム、低消費電力粒子追跡の可能性に関するさらなる研究を動機付けている。

関連論文リスト

• Machine Learning for Anomaly Detection in Particle Physics [0.0]
  分配外データポイントの検出は、粒子物理学において一般的な課題である。 異常検出のための機械学習の最近の進歩は、粒子物理問題におけるそのような技術の利用を促している。 本稿では,機械学習を用いた粒子物理学における異常検出の最先端技術について概説する。
  論文  参考訳（メタデータ） (2023-12-20T12:40:00Z)
• Designing Observables for Measurements with Deep Learning [0.12277343096128711]
  機械学習を用いて,対象とする観測対象を設計することを提案する。 ニューラルネットワーク出力の展開された微分断面は、関心のパラメータに関する最も多くの情報を含んでいる。 深部散乱の包括的測定に2つの物理モデルを用いたシミュレーションでこのアイデアを実証する。
  論文  参考訳（メタデータ） (2023-10-12T20:54:34Z)
• A Bio-Inspired Chaos Sensor Model Based on the Perceptron Neural Network: Machine Learning Concept and Application for Computational Neuro-Science [0.0]
  本研究では,神経力学系におけるスパイクトレインのエントロピー推定のための知覚神経ネットワークに基づくバイオインスパイアされたカオスセンサモデルを提案する。 このモデルはスパイク信号のカオス的挙動を動的に追跡し、この情報を神経力学モデルの他の部分に送信してさらなる処理を行うことができる。
  論文  参考訳（メタデータ） (2023-06-03T03:36:47Z)
• 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)
• Interpretable Joint Event-Particle Reconstruction for Neutrino Physics at NOvA with Sparse CNNs and Transformers [124.29621071934693]
  本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。 TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。 このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
  論文  参考訳（メタデータ） (2023-03-10T20:36:23Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields [65.07940731309856]
  深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。 本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。 我々はNeuroFluidという2段階の異なるネットワークを提案する。 初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
  論文  参考訳（メタデータ） (2022-03-03T15:13:29Z)
• Spatiotemporal Spike-Pattern Selectivity in Single Mixed-Signal Neurons with Balanced Synapses [0.27998963147546135]
  混合信号ニューロモルフィックプロセッサは推論と学習に使用できる。 ネットワーク層の実装に不均一なシナプス回路をいかに利用できるかを示す。
  論文  参考訳（メタデータ） (2021-06-10T12:04:03Z)
• Quantum speedup for track reconstruction in particle accelerators [51.00143435208596]
  我々は,各局所追跡法に存在する基本ルーチンを4つ同定し,標準追跡アルゴリズムの文脈でどのようにスケールするかを解析する。 発見された量子スピードアップは穏やかだが、これは私たちの知識の中でも最高のものであり、高エネルギーの物理データ処理タスクに対する量子上の優位性の最初の厳密な証拠である。
  論文  参考訳（メタデータ） (2021-04-23T13:32:14Z)
• Learning physical properties of anomalous random walks using graph neural networks [0.0]
  単一粒子追跡により、生体分子が自然環境と物理的に相互作用する方法を探ります。 信頼できる推論は、単一粒子運動の固有の性質、実験ノイズ、およびほとんどの実験軌道の短い持続時間によって困難にされる。 ここでは、グラフニューラルネットワーク(GNN)に基づくランダムウォーク特性を推定するための新しい高速アプローチを紹介します。
  論文  参考訳（メタデータ） (2021-03-22T11:32:10Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。