論文の概要: Edge Machine Learning for Cluster Counting in Next-Generation Drift Chambers

• arxiv url: http://arxiv.org/abs/2511.10540v2
• Date: Sun, 16 Nov 2025 17:00:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:22.581123
• Title: Edge Machine Learning for Cluster Counting in Next-Generation Drift Chambers
• Title（参考訳）: 次世代ドリフトチャンバーにおけるクラスタカウントのためのエッジ機械学習
• Authors: Deniz Yilmaz, Liangyu Wu, Julia Gonski, Dylan Rankin, Christian Herwig,
• Abstract要約: エッジ(あるいはセルレベルの読み出し)での機械学習は、高粒度ドリフトチャンバーのオフ検出器データレートを劇的に削減することができる。 将来のドリフトチャンバーのリアルタイム読み出しにおけるクラスタカウントのための機械学習アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.028193358315036943
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drift chambers have long been central to collider tracking, but future machines like a Higgs factory motivate higher granularity and cluster counting for particle ID, posing new data processing challenges. Machine learning (ML) at the "edge", or in cell-level readout, can dramatically reduce the off-detector data rate for high-granularity drift chambers by performing cluster counting at-source. We present machine learning algorithms for cluster counting in real-time readout of future drift chambers. These algorithms outperform traditional derivative-based techniques based on achievable pion-kaon separation. When synthesized to FPGA resources, they can achieve latencies consistent with real-time operation in a future Higgs factory scenario, thus advancing both R&D for future collider detectors as well as hardware-based ML for edge applications in high energy physics.
• Abstract（参考訳）: ドリフトチャンバーは、長い間コライダー追跡の中心だったが、ヒッグス工場のような将来のマシンは、粒子IDの粒度とクラスタカウントを動機付け、新しいデータ処理の課題を提起している。 エッジ(あるいはセルレベルの読み出し)での機械学習(ML)は、クラスタカウントをオンソースで実行することで、高粒度ドリフトチャンバーのオフ検出器データレートを劇的に削減することができる。 将来のドリフトチャンバーのリアルタイム読み出しにおけるクラスタカウントのための機械学習アルゴリズムを提案する。 これらのアルゴリズムは、達成可能なピオンカオン分離に基づく従来のデリバティブベースの技術より優れている。 FPGAリソースに合成されると、将来のHiggsファクトリシナリオでリアルタイム操作と整合したレイテンシを実現し、将来のコライダー検出器のR&Dと、高エネルギー物理学におけるエッジ応用のハードウェアベースのMLの両方を前進させることができる。

関連論文リスト

• Enhancing Dropout-based Bayesian Neural Networks with Multi-Exit on FPGA [20.629635991749808]
  本稿では,フィールドプログラマブルゲートアレイ(FPGA)ベースのアクセラレータを効率よく生成するアルゴリズムとハードウェアの共同設計フレームワークを提案する。 アルゴリズムレベルでは、計算とメモリのオーバーヘッドを低減した、新しいマルチエグジット・ドロップアウトベースのベイズNNを提案する。 ハードウェアレベルでは,提案する効率的なベイズNNのためのFPGAベースのアクセラレータを生成するための変換フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-20T17:08:42Z)
• Efficient Asynchronous Federated Learning with Sparsification and Quantization [55.6801207905772]
  フェデレートラーニング(FL)は、生データを転送することなく、機械学習モデルを協調的にトレーニングするために、ますます注目を集めている。 FLは一般的に、モデルトレーニングの全プロセス中にパラメータサーバーと多数のエッジデバイスを利用する。 TEASQ-Fedは、エッジデバイスを利用して、タスクに積極的に適用することで、トレーニングプロセスに非同期に参加する。
  論文  参考訳（メタデータ） (2023-12-23T07:47:07Z)
• Improved particle-flow event reconstruction with scalable neural networks for current and future particle detectors [1.4609888393206634]
  電子-陽電子衝突における事象再構成のためのスケーラブルな機械学習モデルについて, フル検出器シミュレーションに基づく検討を行った。 グラフニューラルネットワークとカーネルベースのトランスフォーマーを比較し、現実的な再構築を実現しつつ、操作を回避できることを実証する。 最良のグラフニューラルネットワークモデルでは、ルールベースのアルゴリズムと比較して、ジェット横運動量分解能が最大50%向上している。
  論文  参考訳（メタデータ） (2023-09-13T08:16:15Z)
• Fast Neural Network Inference on FPGAs for Triggering on Long-Lived Particles at Colliders [0.0]
  本研究では,中性長寿命粒子が検出器体積内で崩壊する事象を選択するための2つの機械学習アルゴリズムを提案する。 提案したアルゴリズムは, ベンチマークのシナリオにおいて有効であることが証明され, FPGAカード上での高速化では精度が劣化しないことが判明した。
  論文  参考訳（メタデータ） (2023-07-11T10:17:57Z)
• Adaptive Machine Learning for Time-Varying Systems: Low Dimensional Latent Space Tuning [91.3755431537592]
  本稿では,時間変化システムを対象とした適応機械学習手法を提案する。 我々は,エンコーダデコーダCNNのエンコーダ部出力において,非常に高次元(N>100k)の入力を低次元(N2)潜在空間にマッピングする。 そこで本手法では,割り込みを伴わないフィードバックに基づいて,内部の相関関係を学習し,その進化をリアルタイムで追跡する。
  論文  参考訳（メタデータ） (2021-07-13T16:05:28Z)
• Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
  本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。 粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
  論文  参考訳（メタデータ） (2021-05-08T03:50:45Z)

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。