論文の概要: ML-based Fast Simulation of FARICH Responses

• arxiv url: http://arxiv.org/abs/2605.17635v2
• Date: Tue, 19 May 2026 14:46:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.555955
• Title: ML-based Fast Simulation of FARICH Responses
• Title（参考訳）: MLによるFARICH応答の高速シミュレーション
• Authors: Foma Shipilov, Alexander Barnyakov, Artem Ivanov, Fedor Ratnikov,
• Abstract要約: FARICH検出器の応答を高速にシミュレーションするための機械学習に基づく手法を提案する。 本稿では,軽量な畳み込みアーキテクチャを備えた条件付きジェネレーティブ・アドバイザリアル・ネットワーク(cGAN)を提案する。 cGANは現実的なサンプルを生成し、モンテカルロシミュレーションの大幅な高速化を提供する。
• 参考スコア（独自算出の注目度）: 39.49732181250791
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A fast simulation of the detector response is a vital task in high-energy physics (HEP). Traditional Monte-Carlo methods form the backbone of modern particle physics simulation software but are computationally expensive. We present a machine-learning-based approach to fast simulation of the Focusing Aerogel Ring Imaging Cherenkov (FARICH) detector response. Given a particle track and momentum, the goal is to generate realistic samples of photon hits on the detector matrix. We propose a conditional Generative Adversarial Network (cGAN) with a lightweight convolutional architecture that reproduces the projected detector response conditioned on particle parameters. We compare the cGAN against a linear statistical baseline using metrics applied to probability maps and to the reconstructed velocity distributions. The cGAN produces realistic samples and provides a significant speed-up over Monte-Carlo simulation.
• Abstract（参考訳）: 検出器応答の高速なシミュレーションは高エネルギー物理学(HEP)において重要な課題である。 伝統的なモンテカルロ法は、現代の粒子物理学シミュレーションソフトウェアのバックボーンを形成するが、計算コストが高い。 本研究では,Focusing Aerogel Ring Imaging Cherenkov(FARICH)検出器応答の高速シミュレーションのための機械学習に基づくアプローチを提案する。 粒子の軌道と運動量を考えると、検出器マトリックス上に光子ヒットの現実的なサンプルを生成することが目的である。 本稿では,粒子パラメータに条件付き予測器応答を再現する軽量な畳み込みアーキテクチャを備えた条件付き生成逆数ネットワーク(cGAN)を提案する。 我々は,cGANと線形統計ベースラインの比較を,確率マップや再構成された速度分布に応用した指標を用いて行った。 cGANは現実的なサンプルを生成し、モンテカルロシミュレーションの大幅な高速化を提供する。

関連論文リスト

• Generative Models for Fast Simulation of Cherenkov Detectors at the Electron-Ion Collider [0.0]
  我々は、内部反射型チェレンコフ光検出器(DIRC)検出のための、オープンでスタンドアロンな高速シミュレーションツールを提案する。 我々のフレームワークは、粒子識別(PID)タスクを高速化するために、一連の生成モデルを組み込んでいる。 この柔軟性は、新しいDL駆動PIDメソッドの開発とベンチマークをサポートする。
  論文  参考訳（メタデータ） (2025-04-26T22:33:08Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Machine Learning methods for simulating particle response in the Zero Degree Calorimeter at the ALICE experiment, CERN [8.980453507536017]
  現在、CERN GRIDの計算能力の半分以上が高エネルギー物理シミュレーションに使われている。 大型ハドロン衝突型加速器(LHC)の最新情報により、より効率的なシミュレーション手法の開発の必要性が高まっている。 機械学習を利用した問題に対する代替手法を提案する。
  論文  参考訳（メタデータ） (2023-06-23T16:45:46Z)
• Lamarr: LHCb ultra-fast simulation based on machine learning models deployed within Gauss [0.0]
  LHCb実験における検出器応答と再構成アルゴリズムの両方をパラメータ化するシミュレーション生成を高速化するフレームワークであるLamarrについて論じる。 複数のアルゴリズムと戦略を駆使した深部生成モデルを用いて、LHCb検出器の単一成分の高レベル応答を効果的にパラメータ化する。
  論文  参考訳（メタデータ） (2023-03-20T20:18:04Z)
• Synthetic Wave-Geometric Impulse Responses for Improved Speech Dereverberation [69.1351513309953]
  室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。 本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
  論文  参考訳（メタデータ） (2022-12-10T20:15:23Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Simulating the Time Projection Chamber responses at the MPD detector using Generative Adversarial Networks [0.0]
  本研究では、NICA加速器複合体におけるMPD実験のTime Projection Chamberトラッカーのシミュレーションを高速化するための新しいアプローチを実証する。 本手法は,任意の対象の集団分布を暗黙的に非パラメトリックに推定する深層学習手法である,生成型アドレアルネットワークに基づいている。 提案モデルの品質を評価するために,mpdソフトウェアスタックに統合し,詳細なシミュレータと同様の高品質なイベントを生成することを実証する。
  論文  参考訳（メタデータ） (2020-12-08T17:57:37Z)

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。