如何使用 GAN 消除探测器效应
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
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
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
使用基于卷积神经网络的生成对抗网络(GAN)来模拟 LHC 上配对喷注的产生,经演示,该生成器网络可以在 Monte Carlo 真实级别和探测器模拟后重现多个运动分布。
Mar, 2019
本研究通过引入一种新的统一的架构,将深度学习和变分框架相结合,探讨和比较各种生成式深度学习方法,以逼近将探测器观测结果映射到潜在的粒子碰撞物理量的问题。我们证明了这种方法的有效性,包括重构理论运动学量的全局分布以及确保学习后验分布符合已知的物理约束条件。与现有方法相比,这种统一方法的误差更小,达到了绝对误差的二十倍和传统潜变扩散模型的三倍。
May, 2023
利用生成对抗网络模型以及选择性多样性增强损失来模拟大型强子对撞机中 ALICE 实验的 Zero Degree Calorimeter 产生的探测器响应,从而提供了与传统蒙特卡洛方法相比显著加速的方法。
Jun, 2024
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
使用生成对抗网络黑盒设置进行成员推断攻击,探究其对隐私的影响,并发现攻击成功率较其他生成模型和判别模型要低,这呈现出 GAN 是否确实更为私密的有趣问题。
Oct, 2023
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
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