論文の概要: Sparse Methods for Vector Embeddings of TPC Data

• arxiv url: http://arxiv.org/abs/2511.11221v1
• Date: Fri, 14 Nov 2025 12:25:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.579931
• Title: Sparse Methods for Vector Embeddings of TPC Data
• Title（参考訳）: TPCデータのベクトル埋め込みのためのスパース法
• Authors: Tyler Wheeler, Michelle P. Kuchera, Raghuram Ramanujan, Ryan Krupp, Chris Wrede, Saiprasad Ravishankar, Connor L. Cross, Hoi Yan Ian Heung, Andrew J. Jones, Benjamin Votaw,
• Abstract要約: タイムプロジェクションチャンバー(TPC)は、荷電粒子の軌道を電離媒体で再構成する汎用検出器である。 TPCデータ上での表現学習のための疎畳み込みネットワークについて検討する。 トレーニングされていないスパースResNetモデルでさえ、AT-TPCデータの有用な埋め込みを提供する。
• 参考スコア（独自算出の注目度）: 6.006807882645748
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time Projection Chambers (TPCs) are versatile detectors that reconstruct charged-particle tracks in an ionizing medium, enabling sensitive measurements across a wide range of nuclear physics experiments. We explore sparse convolutional networks for representation learning on TPC data, finding that a sparse ResNet architecture, even with randomly set weights, provides useful structured vector embeddings of events. Pre-training this architecture on a simple physics-motivated binary classification task further improves the embedding quality. Using data from the GAseous Detector with GErmanium Tagging (GADGET) II TPC, a detector optimized for measuring low-energy $β$-delayed particle decays, we represent raw pad-level signals as sparse tensors, train Minkowski Engine ResNet models, and probe the resulting event-level embeddings which reveal rich event structure. As a cross-detector test, we embed data from the Active-Target TPC (AT-TPC) -- a detector designed for nuclear reaction studies in inverse kinematics -- using the same encoder. We find that even an untrained sparse ResNet model provides useful embeddings of AT-TPC data, and we observe improvements when the model is trained on GADGET data. Together, these results highlight the potential of sparse convolutional techniques as a general tool for representation learning in diverse TPC experiments.
• Abstract（参考訳）: タイムプロジェクションチャンバー(TPC)は、電離媒質中の荷電粒子の軌道を再構築し、幅広い核物理学実験の感度測定を可能にする汎用検出器である。 我々は、TPCデータ上での表現学習のためのスパース畳み込みネットワークについて検討し、ランダムな重み付けであってもスパースResNetアーキテクチャがイベントの構造化ベクトル埋め込みに有用なものであることを発見した。 このアーキテクチャを単純な物理動機を持つバイナリ分類タスクで事前学習することで、埋め込み品質がさらに向上する。 低エネルギーの$β$遅延粒子崩壊を測定するために最適化された検出器であるGADGET (GADGET) II TPCのデータを用いて、生のパッドレベル信号をスパーステンソルとして表現し、ミンコフスキーエンジンのResNetモデルを訓練し、リッチなイベント構造を示す結果のイベントレベル埋め込みを探索する。 クロス検出器テストとして、逆キネマティクスの核反応研究用に設計された検出器であるActive-Target TPC(AT-TPC)から、同じエンコーダを使ってデータを埋め込む。 トレーニングされていないスパースResNetモデルでさえ、AT-TPCデータの有用な埋め込みを提供し、GADGETデータでモデルがトレーニングされた場合の改善を観察する。 これらの結果は,多様なTPC実験における表現学習の汎用ツールとして,スパース畳み込み技術の可能性を強調した。

関連論文リスト

• Fine-tuning machine-learned particle-flow reconstruction for new detector geometries in future colliders [1.988691274281547]
  本研究では,高エネルギー粒子衝突装置における粒子流再構成を訓練した機械学習アルゴリズムにおいて,伝達学習能力を実証する。 我々の知る限り、これは粒子-流れ再構成のための完全なクロス・ディテクター・トランスファー学習研究としては初めてのものである。
  論文  参考訳（メタデータ） (2025-02-28T19:16:01Z)
• InstaGen: Enhancing Object Detection by Training on Synthetic Dataset [59.445498550159755]
  本稿では,オブジェクト検出機能の向上,例えばカテゴリ拡大や検出性能の向上など,新たなパラダイムを提案する。 我々は、インスタンスレベルのグラウンドヘッドを事前訓練された生成拡散モデルに統合し、生成された画像のインスタンスをローカライズする機能で拡張する。 我々は、InstaGenと呼ばれる拡散モデルの強化版がデータシンセサイザーとして機能することを示すために、徹底的な実験を行う。
  論文  参考訳（メタデータ） (2024-02-08T18:59:53Z)
• PnP-DETR: Towards Efficient Visual Analysis with Transformers [146.55679348493587]
  近年、DeTRはトランスフォーマーを用いたソリューションビジョンタスクの先駆者であり、画像特徴マップを直接オブジェクト結果に変換する。 最近の変圧器を用いた画像認識モデルとTTは、一貫した効率向上を示す。
  論文  参考訳（メタデータ） (2021-09-15T01:10:30Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Deep Transformer Networks for Time Series Classification: The NPP Safety Case [59.20947681019466]
  時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。 トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
  論文  参考訳（メタデータ） (2021-04-09T14:26:25Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• The use of Convolutional Neural Networks for signal-background classification in Particle Physics experiments [0.4301924025274017]
  広範に畳み込み型ニューラルアーキテクチャ探索を行い,HEP分類のための信号/背景識別を高精度に行う。 パラメータが少ないCNNで複雑なResNetアーキテクチャと同じ精度を実現できることを示す。
  論文  参考訳（メタデータ） (2020-02-13T19:54:46Z)

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。