Sep, 2023

用于粒子流重建的可扩展神经网络模型与万亿级数据集

PDF
TL;DR研究了可扩展的机器学习模型，用于基于高粒度探测器模拟的高能电子 - 正电子碰撞的完全事件重建。比较了图神经网络和基于核的变压器，并证明两者在实现逼真的粒子流重建时，同时避免了二次内存分配和计算成本。展示了在超级计算机上进行的超参数调整显著改善了模型的物理性能。还展示了所得模型在支持 Nvidia、AMD 和 Intel Habana 卡的硬件处理器上具有高度可移植性。最终证明了该模型可以在由径迹和电量计击中构成的高粒度输入上进行训练，从而获得与基线相竞争的物理性能。根据可寻找、可获取、可互用和可复用（FAIR）原则发布了用于重现研究的数据集和软件。
scalable machine learning modelsfull event reconstructionparticle-flow reconstructiongraph neural networkhyperparameter tuning
发现论文，激发创造
  • 能量流网络：粒子喷注的深度集合

    此篇文章介绍了如何利用机器学习技术处理粒子物理中的碰撞事件数据，并提出了一种基于深度集合（Deep Sets）框架的粒子流网络（Energy Flow Networks）和粒子流网络（Particle Flow Networks）方法，这些方法能有效地处理碰撞事件数据，对于区分夸克喷流和胶子喷流等任务性能表现出与现有方法相似或更好的结果，并提供了可视化方式解释模型内部的工作。

    Oct, 2018

  • 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

  • 基于 FPGA 的深度神经网络在粒子物理中的快速推断

    介绍了基于 FPGA 进行神经网络推理的案例研究，其使用高级综合技术（HLS）构建机器学习模型，旨在为粒子物理学的高速实时事件处理提供支持，适用于很多场合，如寻找新的暗扇区粒子和测量希格斯玻色子等。

    Apr, 2018

  • CMS 探测器中的粒子流重建和全局事件描述

    该论文介绍了针对 CMS 探测器开发的全面的局域流重建算法，该算法已成功应用于首个强子对撞机物理分析，并且在堆积衰减、能量分辨率等方面具有优越的性能表现。

    Jun, 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

  • 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

  • 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

  • 用于轨迹重建的新型深度学习方法

    研究报告介绍了瑞士大型强子对撞机粒子轨迹重建中机器学习的解决方案，包括两种新的基于 RNN 和 GNN 的深度学习模型，能够高效地处理具有时序关联性和连通性的空间点数据。

    Oct, 2018

  • 超轨迹：高能物理的神经组合学

    该研究提出了一种新颖的深度学习驱动聚类算法，采用了时空非局部可训练图构造器、图神经网络和集合转换器，通过粒子跟踪模拟展示了这一前沿人工智能方法的有效性。

    Sep, 2023

  • 仅需集合：基于 FPGA 的超快速喷注分类方法在 HL-LHC 中的应用

    通过对基于机器学习的算法在可编程门阵列上进行准确的喷注风味分类的研究，展示了在输入规模和算法选择方面的延迟和资源消耗如何扩展，并提供了一种用于在 CERN LHC 的高亮度阶段进行标记的模型的初始设计。通过量化感知训练和高效硬件实现，我们展示了可以以较低的计算资源成本实现复杂架构（例如深度集合和交互网络）的 O（100）纳秒推理。

    Feb, 2024