Fugu-MT 論文翻訳(概要): A universal vision transformer for fast calorimeter simulations

論文の概要: A universal vision transformer for fast calorimeter simulations

arxiv url: http://arxiv.org/abs/2601.05289v1
Date: Wed, 07 Jan 2026 19:00:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-12 17:41:49.730282
Title: A universal vision transformer for fast calorimeter simulations
Title（参考訳）: 高速カロリーメータシミュレーションのためのユニバーサルビジョントランス
Abstract要約: 視覚変換器(ViT)はGeant4応答を未整合精度でエミュレートすることができる。複数の評価指標において,VTはGeant4と統計的に区別できない電磁シャワーとハドロンシャワーを発生させることを示した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The high-dimensional complex nature of detectors makes fast calorimeter simulations a prime application for modern generative machine learning. Vision transformers (ViTs) can emulate the Geant4 response with unmatched accuracy and are not limited to regular geometries. Starting from the CaloDREAM architecture, we demonstrate the robustness and scalability of ViTs on regular and irregular geometries, and multiple detectors. Our results show that ViTs generate electromagnetic and hadronic showers statistically indistinguishable from Geant4 in multiple evaluation metrics, while maintaining the generation time in the $\mathcal{O}(10-100)$ ms on a single GPU. Furthermore, we show that pretraining on a large dataset and fine-tuning on the target geometry leads to reduced training costs and higher data efficiency, or altogether improves the fidelity of generated showers.
Abstract（参考訳）: 検出器の高次元複雑な性質は、高速カロリーメータシミュレーションを現代の生成機械学習の主用途にしている。視覚変換器(ViT)は、未整合の精度でGeant4応答をエミュレートすることができ、通常の測地に限らない。 CaloDREAMアーキテクチャから、正規および不規則なジオメトリおよび複数の検出器上でのViTの堅牢性とスケーラビリティを実証する。以上の結果から,VTはGeant4と統計的に区別不能な電気・ハドロンシャワーを複数の評価指標で生成し,その生成時間を1つのGPU上で$\mathcal{O}(10-100)$ msで維持した。さらに, 大規模データセットの事前トレーニングと目標形状の微調整により, トレーニングコストの低減とデータ効率の向上, あるいは, 生成したシャワーの忠実度を大幅に向上させることを示す。

関連論文リスト

GPT-Based Fast Simulation of CLAS12 Detector Hits via Conditional Autoregressive Generation [0.0]
CLAS12実験における高速サロゲートモデルとして, GPT方式の自己回帰変圧器を応用した。本モデルでは, 多重度, 空間分布, エネルギー蓄積量, 電磁気量計のエネルギー-運動量応答を忠実に再現できることを実証する。
論文参考訳（メタデータ） (2026-06-14T22:08:18Z)
DiTS: Multimodal Diffusion Transformers Are Time Series Forecasters [50.43534351968113]
既存の生成時系列モデルは、時系列データの多次元特性にうまく対応していない。動画生成にテキストガイダンスを組み込んだマルチモーダル拡散変換器に着想を得て,Diffusion Transformer for Time Series (DiTS)を提案する。
論文参考訳（メタデータ） (2026-02-06T10:48:13Z)
A First Full Physics Benchmark for Highly Granular Calorimeter Surrogates [0.0]
本研究は, 実測シミュレーション応用における高粒度生成熱量サロゲートの利用について検討した。本稿では, 生成熱量計サロゲートとリアルな検出器の組み合わせを可能にする汎用ライブラリDDMLを紹介する。 1つは正規グリッド表現で動作するもので、もう1つはあまり一般的でないポイントクラウドアプローチを用いている。
論文参考訳（メタデータ） (2025-11-21T15:06:49Z)
Visual Odometry with Transformers [68.453547770334]
特徴抽出により単眼フレームのシーケンスを処理するビジュアル・オドメトリ・トランスフォーマ(VoT)を導入する。従来の方法とは異なり、VoTは密度の高い幾何学を推定することなくカメラの動きを直接予測し、監視のためにカメラのポーズのみに依存する。 VoTは、より大きなデータセットで効果的にスケールし、より強力なトレーニング済みバックボーンの恩恵を受け、多様なカメラモーションとキャリブレーション設定を一般化し、従来のメソッドよりも3倍以上高速に動作しながらパフォーマンスを向上する。
論文参考訳（メタデータ） (2025-10-02T17:00:14Z)
Your ViT is Secretly an Image Segmentation Model [50.71238842539735]
Vision Transformer (ViT) は、様々なコンピュータビジョンタスクにおいて、顕著なパフォーマンスとスケーラビリティを示している。タスク固有のコンポーネントによって導入された帰納バイアスは、代わりにViT自身で学習できることを示す。画像セグメンテーションを行うためにプレーンな ViT アーキテクチャを再利用した Mask Transformer (EoMT) を導入する。
論文参考訳（メタデータ） (2025-03-24T19:56:02Z)
CaloChallenge 2022: A Community Challenge for Fast Calorimeter Simulation [22.42342223406944]
我々は,「Fast Calorimeter Simulation Challenge 2022 - the CaloChallenge」の結果を提示する。本研究では,4カロリーのシャワーデータセットの次元性向上に関する最先端生成モデルについて検討した。
論文参考訳（メタデータ） (2024-10-28T23:28:07Z)
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)
Generalizing to new geometries with Geometry-Aware Autoregressive Models (GAAMs) for fast calorimeter simulation [6.099458999905677]
生成モデルはより高速なサンプル生産を提供することができるが、現在は特定の検出器測地の性能を最適化するためにかなりの努力が必要である。我々は,温度計の応答が幾何によってどのように変化するかを学習する自動回帰モデルを開発した。幾何認識モデルは、いくつかの指標で50ドル以上もするベースライン無意識モデルより優れている。
論文参考訳（メタデータ） (2023-05-19T08:54:49Z)
Geometry-aware Autoregressive Models for Calorimeter Shower Simulations [6.01665219244256]
本研究では, 幾何線量に基づく幾何学的自己回帰モデルを構築した。これは、新しい目に見えないカロリーメーターに一般化できるモデルを構築するための、概念実証の重要なステップである。このようなモデルは、大型ハドロン衝突型加速器実験において、カロリーメータシミュレーションに使用される数百の生成モデルを置き換えることができる。
論文参考訳（メタデータ） (2022-12-16T01:45:17Z)
Vision Transformers are Robust Learners [65.91359312429147]
ビジョントランスフォーマー(ViT)の一般的な腐敗や摂動、分布シフト、自然逆転例に対する堅牢性について検討します。 ViTsが実際により堅牢な学習者である理由を説明するために、定量的および定性的な指標を提供する分析を提示します。
論文参考訳（メタデータ） (2021-05-17T02:39:22Z)
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)
TransMOT: Spatial-Temporal Graph Transformer for Multiple Object Tracking [74.82415271960315]
映像内の物体間の空間的・時間的相互作用を効率的にモデル化するソリューションであるTransMOTを提案する。 TransMOTは従来のTransformerよりも計算効率が高いだけでなく、トラッキング精度も向上している。提案手法は、MOT15、MOT16、MOT17、MOT20を含む複数のベンチマークデータセット上で評価される。
論文参考訳（メタデータ） (2021-04-01T01:49:05Z)
Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文参考訳（メタデータ） (2021-01-19T16:14:02Z)

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。