論文の概要: Deep-learning-based low-energy trigger algorithms for the Hyper-Kamiokande experiment

• arxiv url: http://arxiv.org/abs/2605.31391v1
• Date: Fri, 29 May 2026 14:56:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.683506
• Title: Deep-learning-based low-energy trigger algorithms for the Hyper-Kamiokande experiment
• Title（参考訳）: 深層学習に基づくハイパーカミオカンデ実験のための低エネルギートリガーアルゴリズム
• Abstract要約: 本稿では,大水チェレンコフ検出器の深層学習に基づくトリガーアルゴリズムの性能について述べる。 独自のニューラルネットワーク教師付き分類器の性能は、検出器ノイズのみにのみ訓練された2つの異常検出手法と共に示される。 教師付きモデルは、3MeV運動エネルギーの単一電子に対して76.7%の信号識別効率を示す。
• 参考スコア（独自算出の注目度）: 0.44541388526175457
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern machine learning techniques have become increasingly important in particle physics because of their powerful pattern-recognition capabilities, including in real-time data acquisition where stringent runtime constraints apply. This paper details the performance of deep-learning-based trigger algorithms for a large water Cherenkov detector such as Hyper-Kamiokande aimed at low-energy neutrino events (below 7 MeV). The performance of custom neural-network supervised classifiers is shown alongside two anomaly-detection approaches trained solely on detector noise: a pure autoencoder and an energy-based model based on Manifold Projection--Diffusion Recovery (MPDR). The supervised model shows signal identification efficiencies of 76.7% for single electrons of 3 MeV kinetic energy, significantly exceeding signal efficiencies obtained from a traditional hit-count-based trigger of 26.4%, as does the MPDR approach with 31.8%. Runtime evaluations on GPU yield per-window inference latencies well below the millisecond scale, indicating that real-time operation is feasible.
• Abstract（参考訳）: 現代の機械学習技術は、厳密なランタイム制約が適用されるリアルタイムデータ取得など、強力なパターン認識能力を持つため、粒子物理学においてますます重要になっている。 本稿では,低エネルギーニュートリノイベント(7MeV以下)を対象として,ハイパーカミオカンデなどの大水チェレンコフ検出器の深層学習に基づくトリガーアルゴリズムの性能について述べる。 カスタムニューラルネットワーク教師あり分類器の性能は、検出ノイズのみを訓練した2つの異常検出手法(純粋なオートエンコーダとマニフォールド射影拡散回収(MPDR)に基づくエネルギーベースモデル)と共に示されている。 教師付きモデルは、3MeV運動エネルギーの単一電子に対して76.7%の信号識別効率を示し、従来のヒット数ベースのトリガから得られる信号効率は26.4%、MPDRは31.8%である。 実時間操作が実現可能であることを示すため,1ウィンドウ当たりのGPU予測レイテンシのランタイム評価をミリ秒スケールよりはるかに低めに行う。

関連論文リスト

• Two Steps Are All You Need: Efficient 3D Point Cloud Anomaly Detection with Consistency Models [0.3078691410268859]
  拡散モデルは、ポイントクラウドデータにおける3D異常検出を急速に再定義している。 クリーンデータに対する再構築を明示的に実施する新しいハイブリッド損失定式化を導入する。 この設計は推論コストを大幅に削減し、現在の最先端の手法よりも最大80倍高速な実行を実現した。
  論文  参考訳（メタデータ） (2026-05-06T18:52:53Z)
• Multi-Agent Reinforcement Learning for Sample-Efficient Deep Neural Network Mapping [54.65536245955678]
  本稿では,サンプル非効率性の課題を克服するために,分散型マルチエージェント強化学習(MARL)フレームワークを提案する。 相関解析に基づいて類似のマッピングパラメータを同一エージェントに割り当てるエージェントクラスタリングアルゴリズムを提案する。 実験の結果,MARL法は標準単エージェントRLよりも30～300倍効率が向上した。
  論文  参考訳（メタデータ） (2025-07-22T05:51:07Z)
• Dynamic Graph Induced Contour-aware Heat Conduction Network for Event-based Object Detection [42.021851148914145]
  イベントベースのビジョンセンサー(EVS)は、低照度環境で従来のRGBフレームベースのカメラに対して大きな優位性を示している。 本稿では,イベントストリームに基づく物体検出のための動的グラフ誘導輪郭対応熱伝導ネットワークを提案する。
  論文  参考訳（メタデータ） (2025-05-19T09:44:01Z)
• A Light Perspective for 3D Object Detection [46.23578780480946]
  本稿では,最先端のDeep Learning技術を特徴抽出に取り入れた新しい手法を提案する。 私たちのモデルであるNextBEVは、ResNet50やMobileNetV3といった既存の機能抽出ツールを超えています。 これらの軽量な提案を融合することにより、VoxelNetベースのモデルの精度を2.93%向上し、PointPillarベースのモデルのF1スコアを約20%改善しました。
  論文  参考訳（メタデータ） (2025-03-10T10:03:23Z)
• Energy-Efficient Spiking Recurrent Neural Network for Gesture Recognition on Embedded GPUs [1.37621344207686]
  本研究では,スピーキングリカレントニューラルネットワーク(SRNN)と液体時間定数ニューロンを併用したジェスチャー認識システムについて検討した。 NVIDIA Jetson Nano組み込みGPUプラットフォームにおけるエネルギー効率と計算効率に着目した。
  論文  参考訳（メタデータ） (2024-08-23T10:50:29Z)
• Fine-Tuning Surrogate Gradient Learning for Optimal Hardware Performance in Spiking Neural Networks [1.52292571922932]
  スパイキングニューラルネットワーク(SNN)は、ハードウェアで慎重に活用することで、膨大なエネルギー効率の恩恵をもたらすことができる。 この研究は、トレーニングがハードウェアのパフォーマンスに与える影響に関する新たな洞察を明らかにします。
  論文  参考訳（メタデータ） (2024-02-09T06:38:12Z)
• Evaluating Spiking Neural Network On Neuromorphic Platform For Human Activity Recognition [2.710807780228189]
  エネルギー効率と低レイテンシは、ウェアラブルAIを活用した人間の活動認識システムにとって重要な要件である。 スパイクベースのワークアウト認識システムは、従来のニューラルネットワークを備えた一般的なミリワットRISC-VベースマルチコアプロセッサGAP8に匹敵する精度を達成することができる。
  論文  参考訳（メタデータ） (2023-08-01T18:59:06Z)
• KECOR: Kernel Coding Rate Maximization for Active 3D Object Detection [48.66703222700795]
  我々は、ラベルの取得に最も有用なポイントクラウドを特定するために、新しいカーネル戦略を利用する。 1段目(SECOND)と2段目(SECOND)の両方に対応するため、アノテーションに選択した境界ボックスの総数と検出性能のトレードオフをよく組み込んだ分類エントロピー接点を組み込んだ。 その結果,ボックスレベルのアノテーションのコストは約44%,計算時間は26%削減された。
  論文  参考訳（メタデータ） (2023-07-16T04:27:03Z)
• Fast vehicle detection algorithm based on lightweight YOLO7-tiny [7.7600847187608135]
  本稿では, YOLOv7-tiny (You Only Look Once Version 7) に基づく軽量車両検出アルゴリズムGhost-YOLOv7を提案する。 モデル幅を0.5に拡大し、バックボーンネットワークの標準畳み込みをゴースト畳み込みに置き換え、より軽量なネットワークを実現し、検出速度を向上させる。 ゴーストデクルードヘッド (Ghost Deouoled Head, GDH) は、車両の位置と種を正確に予測するために使用される。
  論文  参考訳（メタデータ） (2023-04-12T17:28:30Z)
• Pushing the Limits of Asynchronous Graph-based Object Detection with Event Cameras [62.70541164894224]
  低計算を維持しながら、そのようなモデルの深さと複雑さを拡大できるアーキテクチャ選択をいくつか導入する。 我々の手法は、密度の高いグラフニューラルネットワークよりも3.7倍高速に動作し、前方通過はわずか8.4msである。
  論文  参考訳（メタデータ） (2022-11-22T15:14:20Z)
• ETAD: A Unified Framework for Efficient Temporal Action Detection [70.21104995731085]
  時間的行動検出(TAD)のようなトリミングされていないビデオ理解は、しばしば計算資源に対する膨大な需要の苦痛に悩まされる。 我々は、効率的なエンド・ツー・エンドの時間的行動検出(ETAD)のための統合されたフレームワークを構築している。 ETADはTHUMOS-14とActivityNet-1.3の両方で最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-05-14T21:16:21Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Lite-FPN for Keypoint-based Monocular 3D Object Detection [18.03406686769539]
  keypointベースのモノクロ3dオブジェクト検出は、非常に進歩し、高い速度精度のトレードオフを達成した。 マルチスケール機能融合を実現する軽量機能ピラミッドネットワークLite-FPNを提案します。 提案手法は,高い精度とフレームレートを同時に達成する。
  論文  参考訳（メタデータ） (2021-05-01T14:44:31Z)

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。