Jan, 2019

使用深度生成模型和密度信息缓冲进行物理事件生成和统计采样

PDF
TL;DR使用生成对抗网络和变分自编码器生成物理过程事件的研究表明，根据编码的蒙特卡罗事件缓冲区密度信息，可以构造新的先验以从解码器中采样新事件，提高采样效率且能生成与真实蒙特卡罗事件非常接近的分布，应用范围包括密度估计和采样、目标事件生成、异常检测，以及矩阵元素相空间积分的重要性采样等。
generative modelsgansvaesmonte carlo generatorsdensity information
发现论文，激发创造
  • 深度生成模型用于超高粒度粒子物理探测器模拟：从仿真到外推的航程

    利用深度生成模型模拟粒子物理中超高粒度探测器回应的研究论文

    Mar, 2024

  • 粒子物理 DL 模拟及生成数据属性控制

    本研究旨在通过引进对生成数据属性的控制机制，提供一种替代当前使用的算法的解决方案，从而减少模拟成本和时间，并扩展至 ALICE 实验中的 ZDC 量热计的模拟。

    May, 2024

  • 大型强子对撞机新物理挖掘的变分自编码器

    使用物理过程训练的变分自编码器，开发了一种单边阈值测试，以隔离先前未见的过程作为异常事件，并且这种算法可以识别丢失的异常事件，扩展了 LHC 的科学范围。

    Nov, 2018

  • 利用 GAN 在天体物理蒙特卡洛模拟中的应用

    对 X 射线源产生的光谱进行精确建模需要使用蒙特卡罗模拟。这些模拟需要评估物理过程，例如在致密物体周围的吸积过程中发生的过程，通过对多个不同的概率分布进行采样。我们以描述相对论电子速度的 Maxwell-Jüttner 分布为例，证明生成对抗网络（GAN）能够统计复制该分布。通过神经网络生成的样本的 Kolmogorov-Smirnov 测试的平均值为 0.5，表明生成的分布与真实分布无法区分。

    Feb, 2024

  • 用于快速模拟 CERN 粒子碰撞的生成扩散模型

    利用扩散模型，我们首次使用模拟方法对 ALICE 实验中的 Zero Degree Calorimeter（ZDC）进行了模拟，与现有基线相比实现了最高保真度，结果表明潜在扩散模型具有快速生成时间的显著潜力。

    Jun, 2024

  • 物理增强高斯过程变分自编码器

    提出了一种物理增强的变分自编码器，利用高维的图像数据可以学习低维的特征向量，并在学习中加入了物理学中的先验知识，从而提高了自编码器的效率和预测结果的物理正确性。

    May, 2023

  • 应用生成对抗网络生成特定于 LHC 分析的数据集

    本研究使用生成对抗网络研究在有限计算成本下创建大量分析特定的 LHC 模拟事件的可能性，并针对 Z→μμ 事件生成 muon four-momenta，包括特定分布的问题，展示通过在生成器的损失函数中包含回归术语可以获得明显的性能提升和收敛速度加快，并开发客观标准以定量评估生成器的性能。这种方法的推广将大大减少大型粒子物理实验中所需的完全模拟事件的数量。

    Jan, 2019

  • 利用特征增强和变换生成对抗网络（FAT-GAN）模拟电子质子散射事件

    本研究使用生成对抗网络技术构建事件发生器，模拟电子 - 质子散射中粒子产生情况，避免了关于基础粒子动力学的理论假设。通过开发 Feature-Augmented 和 Transformed GAN（FAT-GAN），成功选择一组粒子动量转换后的特征，用于增强鉴别器的灵敏度，进而忠实地再现电子散射中的最终状态电子动量分布。发展出的技术可以在现有和未来的加速器设施，如电子离子对撞机中发挥重要作用。

    Jan, 2020

  • 动态潜在图引导的神经时态点过程

    提出了一种新颖的变分自编码器来捕捉时间动态的混合，通过使用学习到的依赖图来预测未来事件时间和事件类型，在预测真实世界事件序列中表现出更高的准确性，相较于现有先进的神经点过程。

    Dec, 2023

  • 熵生成对抗网络与变分自编码器相遇：计算 GAN 样本似然的统计方法

    通过构建一种显式的概率模型，将沃瑟斯坦 GANs 与熵正则化视为基于变分下界的生成模型，从而使得 GANs 和 VAEs 之间建立了有理论支持的联系。同时，作者还在多个数据集上计算了 GANs 的似然统计量，验证了该理论结果。

    Oct, 2018