論文の概要: CaloHadronic: a diffusion model for the generation of hadronic showers

• arxiv url: http://arxiv.org/abs/2506.21720v1
• Date: Thu, 26 Jun 2025 19:12:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:22.983976
• Title: CaloHadronic: a diffusion model for the generation of hadronic showers
• Title（参考訳）: CaloHadronic:ハドロンシャワー発生のための拡散モデル
• Authors: Thorsten Buss, Frank Gaede, Gregor Kasieczka, Anatolii Korol, Katja Krüger, Peter McKeown, Martina Mozzanica,
• Abstract要約: 高粒度カロリーにおける粒子のシャワーのシミュレーションは、粒子物理学への機械学習の適用における重要なフロンティアである。 近年の研究では,拡散型シャワーシミュレーションが極めて効率的であることが示されている。 電磁波とハドロン熱量計にまたがってシャワーを均等に発生させる機械学習手法は、これが初めてである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulating showers of particles in highly-granular calorimeters is a key frontier in the application of machine learning to particle physics. Achieving high accuracy and speed with generative machine learning models can enable them to augment traditional simulations and alleviate a major computing constraint. Recent developments have shown how diffusion based generative shower simulation approaches that do not rely on a fixed structure, but instead generate geometry-independent point clouds, are very efficient. We present a transformer-based extension to previous architectures which were developed for simulating electromagnetic showers in the highly granular electromagnetic calorimeter of the International Large Detector, ILD. The attention mechanism now allows us to generate complex hadronic showers with more pronounced substructure across both the electromagnetic and hadronic calorimeters. This is the first time that machine learning methods are used to holistically generate showers across the electromagnetic and hadronic calorimeter in highly granular imaging calorimeter systems.
• Abstract（参考訳）: 高粒度カロリーにおける粒子のシャワーのシミュレーションは、粒子物理学への機械学習の適用における重要なフロンティアである。 生成機械学習モデルによって高い精度とスピードを達成することで、従来のシミュレーションを強化し、主要なコンピューティング制約を緩和することができる。 最近の研究は、拡散に基づく発生型シャワーシミュレーションのアプローチが、固定構造に依存しず、代わりに幾何学に依存しない点雲を生成する方法が非常に効率的であることを示している。 ILD(International Large Detector, ILD)の高粒度電磁温度計において, 電磁シャワーを模擬するトランスフォーマーを応用した拡張手法を提案する。 注意機構により、電磁およびハドロン熱量計の両方でより顕著なサブ構造を持つ複雑なハドロンシャワーを発生させることができる。 これは、高粒度の撮像熱量計システムにおいて、電磁波とハドロン熱量計全体でシャワーを均等に発生させる機械学習手法が初めてである。

関連論文リスト

• Generative Diffusion Models for Fast Simulations of Particle Collisions at CERN [3.2686289567336235]
  高エネルギー物理シミュレーションでは、CERNの大型ハドロン衝突型加速器における粒子衝突実験の複雑さの解明に重要な役割を果たしている。 近年の進歩は、最先端の生成機械学習手法として拡散モデルの有効性を強調している。 拡散モデルに基づくALICE実験において,Zero Degree Calorimeter (ZDC) のシミュレーションを行った。
  論文  参考訳（メタデータ） (2024-06-05T13:11:53Z)
• A conditional latent autoregressive recurrent model for generation and forecasting of beam dynamics in particle accelerators [46.348283638884425]
  本稿では,加速器内の荷電粒子のダイナミクスを学習するための2段階の非教師付きディープラーニングフレームワークであるLatent Autoregressive Recurrent Model (CLARM)を提案する。 CLARMは、潜在空間表現をキャプチャしてデコードすることで、様々な加速器サンプリングモジュールでプロジェクションを生成することができる。 その結果,提案手法の予測能力と生成能力は,様々な評価指標と比較した場合に有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-19T22:05:17Z)
• CaloClouds II: Ultra-Fast Geometry-Independent Highly-Granular Calorimeter Simulation [0.0]
  生成する機械学習モデルは、物理解析において従来のシミュレーションチェーンをスピードアップし、拡張することが示されている。 主要な進歩として最近導入されたCaloCloudsモデルがあり、予想される国際大型検出器(ILD)の電磁熱量計のための点雲としてカロリーメータシャワーを生成する。 この記事では、多数の重要な改善が加えられたCaloClouds IIを紹介します。これには、連続的なスコアベースのモデリングが含まれています。これにより、CaloCloudsに匹敵する25ステップのサンプリングが可能になり、単一のCPU上でGeant4よりも6倍のスピードアップを実現します。
  論文  参考訳（メタデータ） (2023-09-11T18:00:02Z)
• Comparison of Point Cloud and Image-based Models for Calorimeter Fast Simulation [48.26243807950606]
  2つの最先端スコアベースのモデルが、同じカロリーメータのシミュレーションに基づいてトレーニングされ、直接比較される。 生成モデルは、高次元のカロリーメーターデータセットを正確に生成することが示されている新しい生成モデルのクラスである。
  論文  参考訳（メタデータ） (2023-07-10T08:20:45Z)
• CaloClouds: Fast Geometry-Independent Highly-Granular Calorimeter Simulation [0.0]
  高粒度検出器における粒子のシャワーのシミュレーションは、粒子物理学への機械学習の適用における重要なフロンティアである。 この研究は、初めて数千の空間点の点雲を3次元空間の検出器で直接生成し、固定格子構造に頼ることなく大きなブレークスルーを成し遂げた。
  論文  参考訳（メタデータ） (2023-05-08T16:44:15Z)
• CaloMan: Fast generation of calorimeter showers with density estimation on learned manifolds [10.089611750812391]
  計算に高価なシミュレーションのほとんどは、カロリーメータのシャワーを含む。 深部生成モデルにより、物理に基づくシミュレーションよりもはるかに早く、リアルなカロリーメータのシャワーを発生させることができる。 まず、その多様体構造を学習し、次にこの多様体にまたがるデータの密度を推定することで、熱量計のシャワーをモデル化する。
  論文  参考訳（メタデータ） (2022-11-23T19:00:03Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)

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。