IJCAIJan, 2020

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

PDF
TL;DR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。
generative adversarial networkparticle productionelectron-proton scatteringgan event simulatorfeature-augmented transformed gan
发现论文，激发创造
  • 通过示例学习粒子物理学：基于位置感知的生成式对抗网络用于物理合成

    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

  • CaloGAN：使用生成对抗网络模拟多层电磁量能器中的三维高能粒子淋浴

    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

  • 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

  • 如何利用生成对抗网络生成大型强子对撞机实验 (LHC) 事件

    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

  • 引发式生成对抗粒子变换器

    高能物理领域中，机器学习方法在准确模拟大型强子对撞机中的粒子碰撞方面发挥了重要作用。我们引入了一种新的模型 iGAPT，它通过整合 “诱导性粒子注意力模块” 并以全局喷注属性为条件，不仅具有线性时间复杂度，还能捕捉复杂的喷注子结构，在许多指标上超过了 MPGAN，从而展示了 iGAPT 在准确而高效地模拟复杂的高能物理数据方面的潜力。

    Dec, 2023

  • 利用生成对抗网络加速科学：3D 多层量热器中粒子阵列的应用

    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

  • DijetGAN：一种用于 LHC QCD 双喷注事件模拟的生成对抗网络方法

    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

  • 利用生成对抗网络（GAN）从粒子探测器合成脉冲

    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

  • 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

  • 使用 Wasserstein 生成对抗网络精确模拟电磁量能器淋浴

    本文提出了基于生成式模型的高效粒子淋浴模拟方法，并使用对抗训练的方式训练生成器和评论者网络以生成与 GEANT4 程序模拟类似的粒子淋浴，从而在大多数方面达到了实现高质量粒子淋浴模拟的预期目标。

    Jul, 2018