論文の概要: GPT-Based Fast Simulation of CLAS12 Detector Hits via Conditional Autoregressive Generation

• arxiv url: http://arxiv.org/abs/2606.16035v1
• Date: Sun, 14 Jun 2026 22:08:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.999496
• Title: GPT-Based Fast Simulation of CLAS12 Detector Hits via Conditional Autoregressive Generation
• Title（参考訳）: GPTを用いた条件付き自己回帰生成によるCLAS12検出器ヒットの高速シミュレーション
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern particles physics experiments have demonstrated an increasing need for fast, high-fidelity detector simulation as detector components have improved and subsequent computational requirements approach the limits of available resources. Recently, deep generative models have emerged as a promising alternative to traditional Monte-Carlo methods, with recent works drawing inspiration from large language models (LLMs) and self-supervised next-token prediction methods. In this work, we present an application of a GPT-style autoregressive transformer as a fast surrogate model for the calorimeter inside the CLAS12 experiment at the Thomas Jefferson National Accelerator Facility. The model is conditioned on incident momentum and generates realistic detector hits autoregressively across all nine calorimeter layers as sequences of strip, ADC, and TDC tokens. We demonstrate that the model faithfully reproduces hit multiplicity, spatial distributions, energy deposits, and the energy-momentum response of the electromagnetic calorimeter. The generator achieves inference rates exceeding 700 events per second on a single GPU, providing a substantial speedup over traditional Geant4-based simulations while maintaining physics fidelity essential for high-luminosity experimental programs.
• Abstract（参考訳）: 現代の粒子物理学実験では、検出器部品が改良され、計算要求が利用可能な資源の限界に近づくにつれて、高速で高忠実な検出器シミュレーションの必要性が高まっている。 近年,大規模言語モデル (LLM) や自己教師型次世代予測手法からインスピレーションを得て,モンテカルロ法に代わる有望な生成モデルが出現している。 本研究では,トーマス・ジェファーソン国立加速器施設における CLAS12 実験における,高速サロゲートモデルとしての GPT 式自己回帰変換器の適用について述べる。 モデルはインシデントモーメントに条件付けされ、ストリップ、ADC、TDCトークンのシーケンスとして、9つのカロリー層すべてにわたって自己回帰的に現実的な検出器がヒットする。 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。 ジェネレータは1つのGPU上で毎秒700イベントを超える推論速度を実現し、従来のGeant4ベースのシミュレーションよりも大幅にスピードアップし、高輝度の実験プログラムに不可欠な物理忠実さを維持している。

関連論文リスト

• ML-based Fast Simulation of FARICH Responses [39.49732181250791]
  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。
  論文  参考訳（メタデータ） (2026-05-17T20:06:45Z)
• 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)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• Generative Diffusion Models for Fast Simulations of Particle Collisions at CERN [3.2686289567336235]
  高エネルギー物理シミュレーションでは、CERNの大型ハドロン衝突型加速器における粒子衝突実験の複雑さの解明に重要な役割を果たしている。 近年の進歩は、最先端の生成機械学習手法として拡散モデルの有効性を強調している。 拡散モデルに基づくALICE実験において,Zero Degree Calorimeter (ZDC) のシミュレーションを行った。
  論文  参考訳（メタデータ） (2024-06-05T13:11:53Z)
• Unifying Simulation and Inference with Normalizing Flows [0.08796261172196743]
  エネルギー回帰のための条件付き生成モデルから最大極大推定(MLE)を用いて2つのタスクを統一できることを示す。 ATLASライクなカロリーメータシミュレーションを用いて、この概念をカロリーメータのエネルギーキャリブレーションの文脈で実証する。
  論文  参考訳（メタデータ） (2024-04-29T18:00:00Z)
• 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)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• 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)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
  本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。 我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
  論文  参考訳（メタデータ） (2022-06-26T10:58:41Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)

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。