DijetGAN:一种用于 LHC QCD 双喷注事件模拟的生成对抗网络方法
我们通过应用一种新颖的生成对抗网络(GAN)架构到喷气图像的生成,提供了机器学习社区中生成建模与高能粒子物理中模拟物理过程之间的桥梁,并提出了一种简单的位置感知生成对抗网络。这项工作为将 GAN 用于高能粒子物理中的快速模拟提供了基础。
Jan, 2017
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
利用生成对抗网络为 LHC 的事件生成补充生产物理事件,避免低效的事件去权重。本文针对顶夸克对生成展示了如何使用这样的网络描述中间态粒子,相空间边界和分布的尾部,并引入了最大均值距离来解决急剧局部特征。该方法可以直接扩展到包括偏离质壳贡献,高阶或近似探测器效应等情况。
Jul, 2019
介绍了一种基于深度神经网络的准确,快速的电磁量能器模拟方法,可以快速生成大量实验数据,突破了现有算法和计算资源难以满足需求的问题,为探索物理学新领域提供了可能。
May, 2017
使用生成对抗网络(GANs)的新型快速模拟技术 extsc {CaloGAN},针对长轴分段式银河系中电磁淋浴进行建模并实现与现有全模拟技术相当甚至更好的 CPU(100x-1000x)和 GPU 上速度快(高达约 10 ^ 5 倍)
Dec, 2017
本文介绍了高能物理领域的 Jets 和它们在 LHC 对撞机中的存在,针对该领域存在的数据表示问题,提出了一种新的基于 Particle cloud 的数据集 JetNet,并开发出名为 MPGAN 的新型生成模型,实验结果表明 MPGAN 在各项指标上均表现优异,未来有望被用于高能物理领域。同时,为了促进研究和提高可访问性和可重复性,开源了 JetNet Python Package,提供了接口,实现了评估和损失度量等工具。
Jun, 2021
本研究提出了一种新的量子生成对抗网络(QuGANs),其中生成器和鉴别器配备了量子信息处理器,当数据由量子状态或经典数据组成时,该方法达到唯一固定点使生成器产生与数据相同的统计数据。
Apr, 2018
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
我们提出了一个基于人工神经网络(GAN)的模型,用于在粒子探测器的电子发展过程中生成脉冲信号,保留真实脉冲信号的特性。我们描述了网络架构、训练方法以及使用 ${}^{137}$Cs 和 ${}^{22}$Na 源的闪烁体接收辐射的真实脉冲信号来训练 GAN 的方法。通过将生成器安装在 Xilinx 的 SoC 上,我们展示了该网络能够生成与真实脉冲信号相同形状的脉冲信号,并且其数据分布与原始脉冲高度直方图数据相匹配。
Jan, 2024