Dec, 2023

高堆积粒子跟踪与物体凝聚

PDF
TL;DR近期的研究工作表明，图神经网络可以在处理 HL-LHC 带来的计算挑战时，达到传统算法的性能水平。大多数图神经网络跟踪算法基于边缘分类，通过识别初步图中的噪声连接来确定轨迹的连接组件。本次报告中，我们提出了一种基于物体凝聚的替代方法，该方法使用多目标学习框架来聚类属于任意数量对象（轨迹）的点（击中点）并回归每个对象的属性。借鉴我们之前的研究成果，我们提出了一个简化的模型，并展示了在高堆积环境下一次性物体凝聚跟踪算法的进展。
graph neural networkscharged particle trackinghl-lhcobject condensationhigh-pileup environment
发现论文，激发创造
  • 基于 GNN 和 CKF 的组合轨道发现

    应用图神经网络（GNN）在轨道重建中，结合经典组合卡尔曼滤波（CKF）算法，有效解决内外区域的 3D 测量数据差异，提高高能物理粒子探测器在高亮升级大型强子对撞机（HL-LHC）上的轨道重建性能。

    Jan, 2024

  • 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

  • 将图神经网络重新送回测试台进行高能粒子物理应用的案例研究

    高能粒子碰撞中，基本碰撞产物通常会进一步衰变，形成具有预先未知多样性的树状分层结构。本文描述了一个典型的图神经网络（GNN）与深度全连接前馈神经网络体系结构的基准测试，并以在 CERN 的大型强子对撞机上在由质子 - 质子碰撞产生的带有顶夸克 - 反夸克对的最终态 X 的分类为物理案例进行对比。

    Feb, 2024

  • 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

  • 简洁图压缩

    通过简化图卷积网络在图浓缩过程中的度量对齐方法，提出了一种简化的图浓缩方法，该方法在性能表现上与现有方法相当，并且在速度上能够实现高达 10 倍的加速。

    Mar, 2024

  • 用于粒子流重建的可扩展神经网络模型与万亿级数据集

    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。

    Sep, 2023

  • 图形压缩：一项调查

    对图形凝聚进行了全面而深入的研究，提出了 GC 的四个关键评估标准，并详细讨论了优化策略和凝聚图生成这两个关键组成部分，同时介绍了 GC 在各领域的应用和未来研究中的挑战与观点。

    Jan, 2024

  • 图神经网络的图压缩算法

    本篇研究提出并研究了图卷积神经网络 (GNNs) 的图压缩问题，旨在将原始大图压缩成小型合成图以提高神经模型训练的时间性能，通过优化梯度匹配损失和设计一种策略同时压缩节点特征和结构信息，有效地将不同图数据集压缩成信息丰富的较小图并将其用于训练各种 GNN 体系结构，测试结果在 Reddit 上可达到 95.3％，在 Flickr 上可达到 99.8％，在 Citeseer 上可达到 99.0％，同时将其图的尺寸缩小了 99.9％以上。

    Oct, 2021

  • 重新思考和加速图形精简：一种无需训练的带类别分割方法

    通过 Class-partitioned Graph Condensation (CGC) 方法，能够在更有效的压缩过程中实现最先进的性能。

    May, 2024

  • RobGC：走向强大的图压缩

    图神经网络、图压缩、鲁棒图压缩、训练图、图结构噪声

    Jun, 2024