Jul, 2023

利用图注意力网络和加权事件改进的 Belle II 选择性背景蒙特卡罗模拟

PDF
TL;DR为了在 Belle II 中测量罕见过程，作者改进了使用图注意力的过滤器的性能，并研究了包括采样和重新加权的统计方法来处理过滤引入的偏差。
belle iisimulationsgraph neural networksstatistical methodsfiltering
发现论文，激发创造
  • 使用距离加权图网络学习不规则粒子探测器几何图形的表示

    本论文探索了使用图网络处理粒子重建中不规则几何探测器，并提出了两个基于距离加权的图网络架构， GarNet 和 GravNet，性能通过与替代方法的定量比较来评价，得出了这些算法提供了一种有趣的替代方法，既能够提供同等性能，也能够用更少的资源消耗和更少的基于探测器几何结构的假设而进行推广到其他探测器

    Feb, 2019

  • ABCNet: 一种基于注意力机制的粒子标记方法

    本文介绍了一种基于图神经网络和注意力机制的算法 ABCNet，用于处理高能物理实验中的输入数据并解决数据分类和降噪问题，实验表明与其它算法相比，ABCNet 具有更好的性能。

    Jan, 2020

  • 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

  • 如何使用 GAN 消除探测器效应

    本文介绍如何使用生成网络逆向模拟探测器效应等过程产生的事件，从而统计上反演蒙特卡罗模拟。此外，还介绍了最大均值失配损失如何被阶段性地或抑制地应用。

    Dec, 2019

  • NuGraph2：中微子物理事件重建的图神经网络

    利用液体氩时间投影室（LArTPC）探测器技术进行粒子重建是本文描述的主要技术，使用了基于图神经网络（Graph Neural Network，GNN）的 NuGraph2 算法对模拟中微子相互作用进行低级重建，同时提供了高效的背景过滤和语义标记方法，旨在用于中微子物理学中的粒子重建。

    Mar, 2024

  • 基于正则化流的事件生成

    该论文提出了一种基于归一化流的新型积分器，可用于提高碰撞器物理模拟中的 Monte-Carlo 事件生成器的去加权效率，相对于基于替代模型的机器学习方法，我们的方法可以生成正确的结果，即使底层神经网络没有经过最优训练，我们以 Drell-Yan 型过程在 LHC 上的例子来说明这种新策略。

    Jan, 2020

  • Monte Carlo 样本的最大利用：重新加权 NLO 精度的事件

    本文介绍了一种方法，允许在不同的理论假设下一致地重复使用高能事件的部分样本，以避免高昂的计算和存储成本，并通过将其应用于 LHC 的新物理搜索的实际案例进行验证。

    Jul, 2016

  • 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

  • 贝叶斯关注信念网络

    本文提出贝叶斯关注置信网络并将其应用于多种任务中，相较于确定性和其他基于 stochastic attention 的模型，其在准确性、不确定性估计等指标上均更优。同时，这种方法还可用于调整其他基于 deterministic attention 的预训练模型，展现了广泛的应用潜力。

    Jun, 2021

  • 从点云中提取图结构：几何注意力是你唯一需要的

    使用图神经网络在高能物理等领域中解决点云问题取得了显著进展，本文将问题提升为拓扑问题，并提出了一种注意力机制，允许在学习空间中构建图结构以处理相关性流动，从而提供了一种拓扑问题的解决方案，我们在顶夸克标记任务上测试了名为 GravNetNorm 的这种架构，并显示其标记精度具有竞争力，且使用的计算资源远少于其他可比较的模型。

    Jul, 2023