論文の概要: PMT Waveform Simulation and Reconstruction with Conditional Diffusion Network

• arxiv url: http://arxiv.org/abs/2602.05767v1
• Date: Thu, 05 Feb 2026 15:30:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:09.003489
• Title: PMT Waveform Simulation and Reconstruction with Conditional Diffusion Network
• Title（参考訳）: 条件拡散ネットワークを用いたPMT波形シミュレーションと再構成
• Authors: Kainan Liu, Jingyu Huang, Guihong Huang, Jianyi Luo,
• Abstract要約: 光増倍管(英語版)(PMT)は粒子物理学や核物理学の実験に広く用いられている。 PMT波形再構成の精度は検出器の空間分解能とエネルギー分解能に直接影響を及ぼす。 本研究では,条件付き拡散ネットワークを基盤とした弱教師付き波形シミュレーションと再構成手法を提案する。
• 参考スコア（独自算出の注目度）: 1.2599533416395765
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Photomultiplier tubes (PMTs) are widely employed in particle and nuclear physics experiments. The accuracy of PMT waveform reconstruction directly impacts the detector's spatial and energy resolution. A key challenge arises when multiple photons arrive within a few nanoseconds, making it difficult to resolve individual photoelectrons (PEs). Although supervised deep learning methods have surpassed traditional methods in performance, their practical applicability is limited by the lack of ground-truth PE labels in real data. To address this issue, we propose an innovative weakly supervised waveform simulation and reconstruction approach based on a bidirectional conditional diffusion network framework. The method is fully data-driven and requires only raw waveforms and coarse estimates of PE information as input. It first employs a PE-conditioned diffusion model to simulate realistic waveforms from PE sequences, thereby learning the features of overlapping waveforms. Subsequently, these simulated waveforms are used to train a waveform-conditioned diffusion model to reconstruct the PE sequences from waveforms, reinforcing the learning of features of overlapping waveforms. Through iterative refinement between the two conditional diffusion processes, the model progressively improves reconstruction accuracy. Experimental results demonstrate that the proposed method achieves 99% of the normalized PE-number resolution averaged over 1-5 p.e. and 80% of the timing resolution attained by fully supervised learning.
• Abstract（参考訳）: 光増倍管(英語版)(PMT)は粒子物理学や核物理学の実験に広く用いられている。 PMT波形再構成の精度は検出器の空間分解能とエネルギー分解能に直接影響を及ぼす。 複数の光子が数ナノ秒以内に到着すると、個々の光電子(PE)の分解が困難になる。 教師付き深層学習法は従来の手法よりも性能が優れてきたが,実データに基盤となるPEラベルが欠如しているため,実用性は制限されている。 この問題に対処するために、双方向条件拡散ネットワークフレームワークに基づく、弱い教師付き波形シミュレーションと再構成手法を提案する。 この方法は完全なデータ駆動であり、入力として生波形とPE情報の粗い推定しか必要としない。 まずPE条件拡散モデルを用いて、PE系列から現実的な波形をシミュレートし、重なり合う波形の特徴を学習する。 その後、これらの模擬波形を用いて波形条件拡散モデルを訓練し、波形からPE配列を再構成し、重なり合う波形の特徴の学習を強化する。 2つの条件拡散過程の反復的洗練により、モデルは徐々に再構成精度を向上する。 実験結果から,提案手法は正規化PE数分解能の99%を1-5p以上で達成し,80%のタイミング分解能を完全教師付き学習で達成した。

関連論文リスト

• Arbitrary control of the temporal waveform of photons during spontaneous emission [0.0]
  単一量子エミッタからの自然放出時に発生する光子の時間波形とフォック状態統計の制御は、ハイブリッド量子システムの構築において重要なツールとなる。 終生のエミッタから任意の時間波形の光子を生成する方法について述べる。
  論文  参考訳（メタデータ） (2025-11-28T18:54:08Z)
• RadioDiff-$k^2$: Helmholtz Equation Informed Generative Diffusion Model for Multi-Path Aware Radio Map Construction [76.24833675757033]
  物理インフォームド・ジェネレーティブ・ラーニング・アプローチであるRadioDiff-$k2$を提案する。 提案するRadioDiff-$k2$フレームワークは,画像レベルのRM構成とローカライズタスクの両方において,最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2025-04-22T06:28:13Z)
• DispFormer: A Pretrained Transformer Incorporating Physical Constraints for Dispersion Curve Inversion [56.64622091009756]
  本研究では、レイリー波位相と群分散曲線からプロファイルインバージョンを$v_s$とするトランスフォーマーベースのニューラルネットワークであるDispFormerを紹介する。 DispFormerは各期間に分散データを個別に処理し、ネットワークの変更やデータセットのトレーニングとテストの厳格な調整を必要とせずに、さまざまな長さを処理できる。
  論文  参考訳（メタデータ） (2025-01-08T09:08:24Z)
• Adaptive Multi-step Refinement Network for Robust Point Cloud Registration [82.64560249066734]
  ポイントクラウド登録は、同じシーンの2つのポイントクラウド間の相対的な厳密な変換を推定する。 本稿では,前ステップからの情報を活用することで,各ステップの登録品質を向上する適応型多段階改良ネットワークを提案する。 本手法は3DMatch/3DLoMatchベンチマークとKITTIベンチマークの両方で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-05T18:59:41Z)
• WaveDM: Wavelet-Based Diffusion Models for Image Restoration [43.254438752311714]
  Wavelet-based Diffusion Model (WaveDM) は、ウェーブレット変換後の劣化画像のウェーブレットスペクトルに条件付きウェーブレット領域におけるクリーン画像の分布を学習する。 WaveDMは、従来のワンパス手法に匹敵する効率で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-05-23T08:41:04Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• Q-Diffusion: Quantizing Diffusion Models [52.978047249670276]
  ポストトレーニング量子化(PTQ)は、他のタスクに対するゴーツー圧縮法であると考えられている。 本稿では,一意なマルチステップパイプラインとモデルアーキテクチャに適した新しいPTQ手法を提案する。 提案手法は,完全精度の非条件拡散モデルを同等の性能を維持しつつ4ビットに定量化できることを示す。
  論文  参考訳（メタデータ） (2023-02-08T19:38:59Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)

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。