論文の概要: End-to-end event reconstruction for precision physics at future colliders
- arxiv url: http://arxiv.org/abs/2603.04084v1
- Date: Wed, 04 Mar 2026 13:55:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-05 21:29:15.332142
- Title: End-to-end event reconstruction for precision physics at future colliders
- Title（参考訳）: 将来の衝突機における高精度物理のためのエンド・ツー・エンドイベント再構成
- Authors: Dolores Garcia, Lena Herrmann, Gregor Krzmanc, Michele Selvaggi,
- Abstract要約: 将来のコライダー実験では、ヒッグス、エレクトロオーク、観察可能な風味の測定に前例のない精度が必要である。
現在の粒子流アルゴリズムは検出器特有のクラスタリングに依存しており、検出器設計時の柔軟性を制限している。
ここでは、荷電粒子軌道と熱量計とミューオンが直接粒子レベルオブジェクトにぶつかる、エンドツーエンドのグローバルイベント再構成手法を提案する。
- 参考スコア（独自算出の注目度）: 0.39998518782208786
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Future collider experiments require unprecedented precision in measurements of Higgs, electroweak, and flavour observables, placing stringent demands on event reconstruction. The achievable precision on Higgs couplings scales directly with the resolution on visible final state particles and their invariant masses. Current particle flow algorithms rely on detector specific clustering, limiting flexibility during detector design. Here we present an end-to-end global event reconstruction approach that maps charged particle tracks and calorimeter and muon hits directly to particle level objects. The method combines geometric algebra transformer networks with object condensation based clustering, followed by dedicated networks for particle identification and energy regression. Our approach is benchmarked on fully simulated electron positron collisions at FCC-ee using the CLD detector concept. It outperforms the state-of-the-art rule-based algorithm by 10--20\% in relative reconstruction efficiency, achieves up to two orders of magnitude reduction in fake-particle rates for charged hadrons, and improves visible energy and invariant mass resolution by 22\%. By decoupling reconstruction performance from detector-specific tuning, this framework enables rapid iteration during the detector design phase of future collider experiments.
- Abstract（参考訳）: 将来のコライダー実験では、ヒッグス、エレクトロオーク、フレーバーオブザーバブルの測定に前例のない精度が必要であり、イベントの復元に厳しい要求を課す。
ヒッグスカップリングの達成可能な精度は、可視最終状態粒子とその不変質量の分解能と直接的にスケールする。
現在の粒子流アルゴリズムは検出器特有のクラスタリングに依存しており、検出器設計時の柔軟性を制限している。
ここでは、荷電粒子軌道と熱量計とミューオンが直接粒子レベルオブジェクトにぶつかる、エンドツーエンドのグローバルイベント再構成手法を提案する。
この方法は、幾何代数変換器ネットワークとオブジェクト凝縮に基づくクラスタリングを結合し、続いて粒子識別とエネルギー回帰のための専用ネットワークが続く。
我々のアプローチは、CLD検出器の概念を用いて、FCC-eeで完全に模擬された電子陽電子衝突をベンチマークする。
相対再構成効率は10～20倍に向上し、荷電ハドロンの偽粒子速度を最大2桁まで低減し、可視エネルギーと不変質量分解能を22倍に向上させる。
検出器特異的チューニングから再構成性能を分離することにより、将来のコライダー実験の検出器設計フェーズにおいて、迅速なイテレーションを可能にする。
関連論文リスト
- CryoSplat: Gaussian Splatting for Cryo-EM Homogeneous Reconstruction [48.45613121595709]
低温電子顕微鏡(cryo-EM)は、分子構造をほぼ原子の分解能で決定するのに役立つ。
単一粒子Cryo-EMにおける中心的な計算課題は、未知の方向で取得されたノイズの多い2Dプロジェクションから分子の3次元静電ポテンシャルを再構築することである。
本稿では,GMMをベースとしたCryoSplatを提案し,Gaussian splattingとCryo-EM画像形成の物理を統合する。
論文 参考訳（メタデータ） (2025-08-06T23:24:43Z) - 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) - Conditioned quantum-assisted deep generative surrogate for particle-calorimeter interactions [6.753162356016995]
本研究では,大型ハドロン衝突型加速器シミュレーションのための量子支援深部生成モデルを提案する。
このモデルでは,条件付き変分オートエンコーダ (VAE) と条件付き制限ボルツマンマシン (RBM) を統合する。
RBMノードと接続は、サンプリングのためにD-WaveのPegasus-structured textitAdvantage Quantum Annealer (QA)上でqubitsと couplerを使用するように慎重に設計されている。
論文 参考訳（メタデータ） (2024-10-30T10:08:03Z) - A conditional latent autoregressive recurrent model for generation and forecasting of beam dynamics in particle accelerators [46.348283638884425]
本稿では,加速器内の荷電粒子のダイナミクスを学習するための2段階の非教師付きディープラーニングフレームワークであるLatent Autoregressive Recurrent Model (CLARM)を提案する。
CLARMは、潜在空間表現をキャプチャしてデコードすることで、様々な加速器サンプリングモジュールでプロジェクションを生成することができる。
その結果,提案手法の予測能力と生成能力は,様々な評価指標と比較した場合に有望であることが示唆された。
論文 参考訳（メタデータ） (2024-03-19T22:05:17Z) - 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) - Interpretable Joint Event-Particle Reconstruction for Neutrino Physics
at NOvA with Sparse CNNs and Transformers [124.29621071934693]
本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。
TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。
このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
論文 参考訳（メタデータ） (2023-03-10T20:36:23Z) - Transformer with Implicit Edges for Particle-based Physics Simulation [135.77656965678196]
Implicit Edges (TIE) を用いたトランスフォーマーは、素粒子相互作用のリッチなセマンティクスをエッジフリーでキャプチャする。
様々な複雑さと素材の多様な領域におけるモデルの評価を行った。
論文 参考訳（メタデータ） (2022-07-22T03:45:29Z) - Green, Quantized Federated Learning over Wireless Networks: An
Energy-Efficient Design [68.86220939532373]
有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。
提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
論文 参考訳（メタデータ） (2022-07-19T16:37:24Z) - End-to-end multi-particle reconstruction in high occupancy imaging
calorimeters with graph neural networks [18.347013421412793]
本研究では,検出器ヒットから粒子候補を粒度計で生成するエンド・ツー・エンドの再構成アルゴリズムを提案する。
このアルゴリズムは距離重み付きグラフニューラルネットワークを利用して、グラフセグメンテーション技術であるオブジェクト凝縮を訓練する。
この研究は、200の知識を積み重ねた高輝度条件下での1枚あたりのO(1000)$の粒子の1回の熱量再構成の例である。
論文 参考訳（メタデータ） (2022-04-04T17:51:43Z) - Bosonic field digitization for quantum computers [62.997667081978825]
我々は、離散化された場振幅ベースで格子ボゾン場の表現に対処する。
本稿では,エラースケーリングを予測し,効率的な量子ビット実装戦略を提案する。
論文 参考訳（メタデータ） (2021-08-24T15:30:04Z) - Quantum speedup for track reconstruction in particle accelerators [51.00143435208596]
我々は,各局所追跡法に存在する基本ルーチンを4つ同定し,標準追跡アルゴリズムの文脈でどのようにスケールするかを解析する。
発見された量子スピードアップは穏やかだが、これは私たちの知識の中でも最高のものであり、高エネルギーの物理データ処理タスクに対する量子上の優位性の最初の厳密な証拠である。
論文 参考訳（メタデータ） (2021-04-23T13:32:14Z) - Fast Gravitational Approach for Rigid Point Set Registration with
Ordinary Differential Equations [79.71184760864507]
本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。
FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。
従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
論文 参考訳（メタデータ） (2020-09-28T15:05:39Z)
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。