Dec, 2023

CaloQVAE：使用混合量子 - 经典生成模型模拟高能粒子 - 量能器相互作用

PDF
TL;DR大型强子对撞机的高亮度时代在碰撞事件分析中面临着重大的计算挑战。我们介绍了一种将生成模型和量子退火相结合的技术，用于高能粒子与量热器之间相互作用的快速高效模拟。
large hadron collidercomputational challengesmonte carlo simulationgenerative modelsquantum annealing
发现论文，激发创造
  • 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

  • CERN ALICE 实验中零度量能器粒子响应模拟的机器学习方法

    利用神经网络分类器和生成模型直接模拟卡路里计数器的响应，大幅提高了模拟速度并保持高保真度。

    Jun, 2023

  • 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

  • 能量沉积模拟中生成模型的全面评估

    利用物理、计算机视觉和统计学的多元指标对三种生成模型进行了全面评估，发现 CaloDiffusion 和 CaloScore 生成模型具有最准确的粒子阵列模拟，但仍有改进的空间，发现了评估模型在准确复制 Geant4 数据方面的局限性。

    Jun, 2024

  • ALICE、CERN 中质子零度量热器模拟的深度生成模型

    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

  • Calo-VQ: 卡路里计模拟中的向量量化两阶段生成模型

    我们引入了一种新颖的机器学习方法，用于快速模拟量能器探测器响应，采用了矢量量化变分自动编码器（VQ-VAE）。我们的模型采用两阶段生成策略：首先将具备几何感知的量能器数据压缩成离散的潜空间，然后应用序列模型来学习和生成潜在标记。在 Calo-challenge 数据集上的广泛实验验证了我们方法的高效性，与传统方法相比，生成速度提高了 2000 倍，引人注目的是，我们的模型能够在毫秒内生成量能器沉积。此外，我们进行了综合定量评估，以验证生成的物理性能。

    May, 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

  • CaloClouds: 高速几何无关高粒度量能器模拟

    这项工作通过使用生成建模中的扩散模型直接生成三维空间中探测器里的能量沉积几千个空间点的点云，从而实现了高精度和速度的粒子模拟，表现出很好的物理相关分布建模。

    May, 2023

  • CMS 高粒度电磁量能器原型中的电子能量回归

    我们介绍了一个新的公开可用的数据集，其中包含欧洲核子研究中心大型强子对撞机即将安装的新型量热计的模拟数据。通过使用最新的机器学习技术，我们已经构建了一个拥有 12,000 个通道的大型原型，并通过高能电子束的照射对其进行测试。通过释放这些数据，我们希望鼓励机器学习应用专家开发出高效准确的电子能量重建和图像重建方法。

    Sep, 2023

  • CaloClouds II: 超快速几何独立的高粒度量热器模拟

    快速模拟高粒度探测器中的能量沉积对于未来增加亮度的对撞机实验至关重要。我们介绍了 CaloClouds II，它具有多项关键改进，包括连续时间基于得分的建模和一致性蒸馏模型，显著提高了模拟速度并实现了准确采样。

    Sep, 2023