Jan, 2020

利用神经重要性抽样探索相空间

PDF
TL;DR本文提出了一种新的高能物理中散射截面和粒子事件样本生成的方法，通过引入神经网络来克服现有方法的一些缺陷，保证了全相空间覆盖和目标分布精确重现，并通过几个代表性的例子研究了算法的性能，包括顶夸克对产生、三光子和四光子最终态的胶子散射等。
scattering cross sectionspartonic event samplesimportance samplingneural networkshigh-energy physics
发现论文，激发创造
  • 应用穷尽神经重要性抽样于蒙特卡罗事件生成

    介绍了一种名为 “Exhaustive Neural Importance Sampling” 的神经归一化流方法，该方法可自动高效地找到适当的拒绝采样建议密度，并解决了拒绝算法的常见问题，从而实现了用于中微子振荡实验所需的精准中微子 - 核相互作用模型的生成。

    May, 2020

  • 神经重要性采样

    本文介绍了基于深度神经网络的非线性独立分量估计（NICE）用于 Monte Carlo 积分中样本生成的应用，并介绍了分段多项式耦合变换、一块编码、基于梯度下降的 KL 和 χ2 散度优化等提高模型性能的改进方案。通过应用于生成自然图像以及在光传输模拟中的两种应用，证明了该方法在不同维度积分领域下具有快速、准确、高性能等特点。

    Aug, 2018

  • 使用神经网络偏差势加速稀有事件采样

    该研究论文介绍了一种将重要性抽样与深度神经网络相结合的实用方法，提高了稀有事件的采样效率，并在计算物理学和材料科学领域对稀有事件进行了研究和比较。

    Jan, 2024

  • 并非所有样本都是相等的：使用重要性采样的深度学习

    本研究提出了一种基于重要性采样的计算优化方案，该方案能够减少深度神经网络训练过程中冗余计算，提升模型的训练效果并有效降低损失。实验结果显示，该方案能够在相同的时间预算下，将训练损失降低一个数量级，并提高测试误差 5％至 17％。

    Mar, 2018

  • 使用振幅神经网络优化强子对撞机模拟

    本文研究使用神经网络逼近矩阵元的方法进行精密现象学研究，比较其与传统模拟技术的效果可以实现模拟时间缩短，且在标准观测方面有很好的一致性。

    Feb, 2022

  • 自适应采样与重要性采样的高效梯度估计

    通过提出的自适应方法和重要性采样方法，在机器学习框架中有效地整合了重要性函数，并仅通过输出层的损失梯度提出了一个简化的重要性函数，以实现在分类和回归任务中更好的收敛性和最小的计算开销。

    Nov, 2023

  • 利用自动微分和神经传输在天体粒子物理中进行快速推断

    应用 GPU 加速、自动差分和神经网络引导重新参数化等新技术，我们研究了多维参数空间中的天体粒子物理实验结果，并将其性能与传统嵌套采样技术进行了对比，发现这些技术可以加速推理过程，提高模型比较性能。

    May, 2024

  • 基于神经网络的变分增强采样

    使用机器学习技术和变分增强采样方法结合来快速采样自由能面，通过采用神经网络表示偏差来决定采样的参数，在重复学习方案中对其进行确定并打破一些壁垒

    Apr, 2019

  • 重要性抽样的进展

    本文介绍了 Monte Carlo 技术中的 Importance Sampling 算法及其应用，重点探讨了多重 IS 和自适应 IS 这两种先进的 IS 变体。

    Feb, 2021

  • 黑盒重要性采样

    本文研究黑盒重要性抽样方法，可计算从任何未知提议或黑盒机制生成的样本的重要性权重，允许我们使用更好更丰富的提议来解决困难问题，并提高了估计精度。

    Oct, 2016