論文の概要: Antimatter Annihilation Vertex Reconstruction with Deep Learning for ALPHA-g Radial Time Projection Chamber
- arxiv url: http://arxiv.org/abs/2502.12169v1
- Date: Thu, 13 Feb 2025 07:42:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-19 14:05:28.575128
- Title: Antimatter Annihilation Vertex Reconstruction with Deep Learning for ALPHA-g Radial Time Projection Chamber
- Title(参考訳): ALPHA-gラジアル時間射出チャンバーの深層学習によるアンチマター消滅頂点再構成
- Authors: Ashley Ferreira, Mahip Singh, Yukiya Saito, Andrea Capra, Ina Carli, Daniel Duque Quiceno, Wojciech T. Fedorko, Makoto C. Fujiwara, Muyan Li, Lars Martin, Gareth Smith, Anqui Xu,
- Abstract要約: 本稿では,PointNetディープラーニングアーキテクチャに基づくモデルアンサンブルを用いた再構成手法を提案する。
新たなモデルであるPointNet Ensemble for Annihilation Reconstruction (PEAR) は,頂点の位置とrTPC空間点の関係を直接学習する。
- 参考スコア(独自算出の注目度): 0.38249790156575014
- License:
- Abstract: The ALPHA-g experiment at CERN aims to precisely measure the terrestrial gravitational acceleration of antihydrogen atoms. A radial Time Projection Chamber (rTPC), that surrounds the ALPHA-g magnetic trap, is employed to determine the annihilation location, called the vertex. The standard approach requires identifying the trajectories of the ionizing particles in the rTPC from the location of their interaction in the gas (spacepoints), and inferring the vertex positions by finding the point where those trajectories (helices) pass closest to one another. In this work, we present a novel approach to vertex reconstruction using an ensemble of models based on the PointNet deep learning architecture. The newly developed model, PointNet Ensemble for Annihilation Reconstruction (PEAR), directly learns the relation between the location of the vertices and the rTPC spacepoints, thus eliminating the need to identify and fit the particle tracks. PEAR shows strong performance in reconstructing vertical vertex positions from simulated data, that is superior to the standard approach for all metrics considered. Furthermore, the deep learning approach can reconstruct the vertical vertex position when the standard approach fails.
- Abstract(参考訳): CERNのALPHA-g実験は、反水素原子の地上での重力加速度を正確に測定することを目的としている。
ALPHA-g磁気トラップを取り囲む放射型時間射影チャンバ(rTPC)は、頂点と呼ばれる消滅位置を決定するために使用される。
標準的なアプローチでは、rTPC内の電離粒子の軌跡をガス(空間点)中の相互作用の位置から同定し、それらの軌跡(ヘリス)が互いに最も近い点を見つけることによって頂点位置を推定する必要がある。
本研究では,PointNet深層学習アーキテクチャに基づくモデルアンサンブルを用いた頂点再構成手法を提案する。
The new developed model, PointNet Ensemble for Annihilation Reconstruction (PEAR) は、頂点の位置とrTPC空間点の関係を直接学習し、粒子トラックを識別し、適合させる必要がない。
PEARは、シミュレーションデータから垂直頂点位置を再構成する際の強い性能を示す。
さらに、ディープラーニングアプローチは、標準アプローチの失敗時に垂直頂点位置を再構築することができる。
関連論文リスト
- AI Meets Antimatter: Unveiling Antihydrogen Annihilations [2.536262127396044]
CERNのALPHA-g実験は、反物質に対する重力の影響を初めて直接測定することを目的としている。
この測定では、検出器内の消滅の垂直位置を正確に予測する必要がある。
本稿では,PointNet深層学習アーキテクチャに基づくモデルアンサンブルを用いた消滅位置復元手法を提案する。
論文 参考訳(メタデータ) (2024-12-01T20:28:12Z) - SGFormer: Spherical Geometry Transformer for 360 Depth Estimation [54.13459226728249]
パノラマ歪みは360度深度推定において大きな課題となる。
本稿では,SGFormer という球面形状変換器を提案し,上記の問題に対処する。
また、様々な解像度で空間構造を補うために、クエリベースの大域的条件位置埋め込みを提案する。
論文 参考訳(メタデータ) (2024-04-23T12:36:24Z) - Parallel Vertex Diffusion for Unified Visual Grounding [38.94276071029081]
統一ビジュアルグラウンドティングは、タスク固有の設計の少ないマルチタスクデータを活用するためのシンプルで汎用的な技術経路を追求する。
ほとんどの先進的な手法は、通常、検出とセグメンテーションをモデル化するためのシーケンスとしてボックスとマスクを提示する。
論文 参考訳(メタデータ) (2023-03-13T15:51:38Z) - GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided
Distance Representation [73.77505964222632]
スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。
具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。
予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
論文 参考訳(メタデータ) (2022-11-30T06:02:01Z) - Ground Plane Matters: Picking Up Ground Plane Prior in Monocular 3D
Object Detection [92.75961303269548]
先行する地平面は、モノクル3次元物体検出(M3OD)における非常に情報的な幾何学的手がかりである
本稿では,両問題を一度に解決するGPENetを提案する。
我々のGPENetは、他の手法よりも優れ、最先端のパフォーマンスを実現し、提案手法の有効性と優位性を示すことができる。
論文 参考訳(メタデータ) (2022-11-03T02:21:35Z) - Finding NEEMo: Geometric Fitting using Neural Estimation of the Energy
Mover's Distance [0.0]
モデルのリプシッツ定数の正確な上界を強制する新しいニューラルアーキテクチャが最近開発された。
最適な輸送におけるワッサーシュタイン計量(アース・モーバー距離)を推定する。
具体的には、高エネルギー粒子物理学の分野に焦点をあて、ワッサーシュタイン計量に基づいて粒子衝突事象の空間の計量を定義することが示されている。
論文 参考訳(メタデータ) (2022-09-30T17:54:09Z) - Geo-NI: Geometry-aware Neural Interpolation for Light Field Rendering [57.775678643512435]
光場レンダリングのためのGeo-NI(Geometry-aware Neural Interpolation)フレームワークを提案する。
NIとDIBRの優位性を組み合わせることで、提案したGeo-NIは、大きな差異でビューをレンダリングすることができる。
論文 参考訳(メタデータ) (2022-06-20T12:25:34Z) - Anchor-free Oriented Proposal Generator for Object Detection [59.54125119453818]
オブジェクト指向物体検出はリモートセンシング画像解釈において実用的で困難な課題である。
今日では、指向性検出器は主に水平方向の箱を中間体として使用し、それらから指向性のある箱を導出している。
本稿では,ネットワークアーキテクチャから水平ボックス関連操作を放棄する,AOPG(Anchor-free Oriented Proposal Generator)を提案する。
論文 参考訳(メタデータ) (2021-10-05T10:45:51Z) - UnDeepLIO: Unsupervised Deep Lidar-Inertial Odometry [10.253006754370965]
本稿では,IMUを用いた非教師なしライダー計測のための新しい枠組みを設計する。
まず、一対のシアムLSTMを用いて、IMUの線形加速度と角速度から最初のポーズを得る。
初期ポーズでは、現在のフレーム上で剛体変換を行い、それを最終フレームに近づける。
論文 参考訳(メタデータ) (2021-09-03T13:56:55Z) - Oriented RepPoints for Aerial Object Detection [10.818838437018682]
本稿では,オブジェクト指向RepPointsという,空中物体検出のための新しい手法を提案する。
具体的には、任意指向オブジェクトの幾何学的および空間的情報を取得するために、適応点の集合を用いることを提案する。
教師付き学習を容易にするために,適応点を配向境界ボックスに明示的にマッピングする指向変換関数を提案する。
論文 参考訳(メタデータ) (2021-05-24T06:18:23Z) - On the Arbitrary-Oriented Object Detection: Classification based
Approaches Revisited [94.5455251250471]
まず,既存の回帰型回転検出器が抱える境界問題は,角周期性や角秩序によって引き起こされることを示した。
我々は、角予測タスクを回帰問題から分類問題に変換する。
得られた円形分布角分類問題に対して、まず、角度の周期性に対処し、隣り合う角度に対する誤差耐性を高めるために、円スムースラベル法を考案する。
論文 参考訳(メタデータ) (2020-03-12T03:23:54Z)
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。