論文の概要: ExpertSim: Fast Particle Detector Simulation Using Mixture-of-Generative-Experts
- arxiv url: http://arxiv.org/abs/2508.20991v1
- Date: Thu, 28 Aug 2025 16:53:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-29 18:12:02.52022
- Title: ExpertSim: Fast Particle Detector Simulation Using Mixture-of-Generative-Experts
- Title（参考訳）: ExpertSim:Mixture-of-Generative-Expertsを用いた高速粒子検出器シミュレーション
- Authors: Patryk Będkowski, Jan Dubiński, Filip Szatkowski, Kamil Deja, Przemysław Rokita, Tomasz Trzciński,
- Abstract要約: ExpertSimは、ALICE実験でZero Degree Calorimeter用に設計されたディープラーニングシミュレーションアプローチである。
提案手法はMixture-of-Generative-Expertsアーキテクチャを用いており,各専門家はデータの異なるサブセットをシミュレートする。
ExpertSimは精度を向上するだけでなく、従来のモンテカルロ法に比べて大幅に高速化されている。
- 参考スコア（独自算出の注目度）: 4.329666353308107
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simulating detector responses is a crucial part of understanding the inner workings of particle collisions in the Large Hadron Collider at CERN. Such simulations are currently performed with statistical Monte Carlo methods, which are computationally expensive and put a significant strain on CERN's computational grid. Therefore, recent proposals advocate for generative machine learning methods to enable more efficient simulations. However, the distribution of the data varies significantly across the simulations, which is hard to capture with out-of-the-box methods. In this study, we present ExpertSim - a deep learning simulation approach tailored for the Zero Degree Calorimeter in the ALICE experiment. Our method utilizes a Mixture-of-Generative-Experts architecture, where each expert specializes in simulating a different subset of the data. This allows for a more precise and efficient generation process, as each expert focuses on a specific aspect of the calorimeter response. ExpertSim not only improves accuracy, but also provides a significant speedup compared to the traditional Monte-Carlo methods, offering a promising solution for high-efficiency detector simulations in particle physics experiments at CERN. We make the code available at https://github.com/patrick-bedkowski/expertsim-mix-of-generative-experts.
- Abstract（参考訳）: 検出器応答のシミュレーションは、CERNの大型ハドロン衝突型加速器における粒子衝突の内部動作を理解する重要な部分である。
このようなシミュレーションは現在、統計モンテカルロ法(英語版)を用いて行われており、計算コストが高く、CERNの計算グリッドにかなりのひずみを課している。
そのため、最近の提案では、より効率的なシミュレーションを実現するための生成機械学習手法を提唱している。
しかし、データの分布はシミュレーションによって大きく異なるため、アウト・オブ・ザ・ボックス法では取得が困難である。
本研究では,ALICE実験におけるゼロ・デグレ・カロリメータに適した深層学習シミュレーション手法であるExpertSimを提案する。
提案手法はMixture-of-Generative-Expertsアーキテクチャを用いており,各専門家はデータの異なるサブセットをシミュレートする。
これにより、各専門家がカロリーメータ応答の特定の側面に焦点を当てるため、より正確で効率的な生成プロセスが可能になる。
ExpertSimは精度を向上するだけでなく、従来のモンテカルロ法と比較して大幅にスピードアップし、CERNの粒子物理学実験における高効率検出器シミュレーションのための有望なソリューションを提供する。
コードはhttps://github.com/patrick-bedkowski/expertsim-mix-of-generative-expertsで公開しています。
関連論文リスト
- GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。
さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳（メタデータ） (2024-12-23T18:58:17Z) - Deep Generative Models for Proton Zero Degree Calorimeter Simulations in ALICE, CERN [3.2686289567336235]
本稿では、ALICE実験において、プロトンZero Degree Calorimeterに合わせた革新的なディープラーニングシミュレーション手法を提案する。
本手法は,モンテカルロをベースとした従来の手法と比較して,大幅な高速化を実現する。
論文 参考訳（メタデータ） (2024-06-05T13:41:09Z) - Particle physics DL-simulation with control over generated data properties [3.2686289567336235]
コスト削減とシミュレーションに必要な時間を短縮することを目的とした革新的な手法の研究は、CERNにおける衝突シミュレーションの開発によって引き起こされた。
この目的のために,VAE,GAN,拡散モデルなどのディープラーニング生成手法が用いられている。
この作業は、生成されたデータプロパティを制御するメカニズムを導入することで、現在使われているアルゴリズムに代わるソリューションを提供することによって、この問題を軽減することを目的としている。
論文 参考訳（メタデータ） (2024-05-22T22:39:29Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Machine Learning methods for simulating particle response in the Zero
Degree Calorimeter at the ALICE experiment, CERN [8.980453507536017]
現在、CERN GRIDの計算能力の半分以上が高エネルギー物理シミュレーションに使われている。
大型ハドロン衝突型加速器(LHC)の最新情報により、より効率的なシミュレーション手法の開発の必要性が高まっている。
機械学習を利用した問題に対する代替手法を提案する。
論文 参考訳（メタデータ） (2023-06-23T16:45:46Z) - ClimSim-Online: A Large Multi-scale Dataset and Framework for Hybrid ML-physics Climate Emulation [45.201929285600606]
我々は、ハイブリッドML物理シミュレータを開発するためのエンドツーエンドワークフローを含むClimSim-Onlineを提案する。
データセットはグローバルで、高いサンプリング頻度で10年間にわたっています。
MLモデルを運用環境シミュレータに統合するための、クロスプラットフォームでコンテナ化されたパイプラインを提供します。
論文 参考訳（メタデータ） (2023-06-14T21:26:31Z) - Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。
我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
論文 参考訳（メタデータ） (2023-05-21T03:51:03Z) - Lamarr: LHCb ultra-fast simulation based on machine learning models deployed within Gauss [0.0]
LHCb実験における検出器応答と再構成アルゴリズムの両方をパラメータ化するシミュレーション生成を高速化するフレームワークであるLamarrについて論じる。
複数のアルゴリズムと戦略を駆使した深部生成モデルを用いて、LHCb検出器の単一成分の高レベル応答を効果的にパラメータ化する。
論文 参考訳（メタデータ） (2023-03-20T20:18:04Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳（メタデータ） (2023-02-10T08:05:19Z) - Importance sampling for stochastic quantum simulations [68.8204255655161]
我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。
サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。
格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
論文 参考訳（メタデータ） (2022-12-12T15:06:32Z) - Continual learning autoencoder training for a particle-in-cell
simulation via streaming [52.77024349608834]
今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します
これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。
この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文 参考訳（メタデータ） (2022-11-09T09:55:14Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z) - Cognitive simulation models for inertial confinement fusion: Combining
simulation and experimental data [0.0]
研究者は、高性能な爆発を求めて設計空間を探索するためにコンピュータシミュレーションに大きく依存しています。
より効果的な設計と調査のために、シミュレーションは過去の実験データからの入力を必要とする。
本稿では,シミュレーションと実験データを共通の予測モデルに組み合わせた認知シミュレーション手法について述べる。
論文 参考訳（メタデータ） (2021-03-19T02:00:14Z)
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。