Dec, 2023

引发式生成对抗粒子变换器

PDF
TL;DR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。
high energy physicsmachine learning methodsgenerative adversarial particle transformersinduced particle-attention blocksjet substructure
发现论文，激发创造
  • 利用消息传递生成对抗网络生成粒子云

    本文介绍了高能物理领域的 Jets 和它们在 LHC 对撞机中的存在，针对该领域存在的数据表示问题，提出了一种新的基于 Particle cloud 的数据集 JetNet，并开发出名为 MPGAN 的新型生成模型，实验结果表明 MPGAN 在各项指标上均表现优异，未来有望被用于高能物理领域。同时，为了促进研究和提高可访问性和可重复性，开源了 JetNet Python Package，提供了接口，实现了评估和损失度量等工具。

    Jun, 2021

  • 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

  • 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

    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。

    Jan, 2020

  • 生成对抗并行

    本文提出了一种新的训练框架 Generative Adversarial Parallelization，通过交换鉴别器，使多个 GAN 同时训练，消除了生成器和鉴别器之间的紧密耦合，从而提高了收敛性和模态覆盖率，并提出了改进的 Generative Adversarial Metric，可以评分单个 GAN 或其在 GAP 模型下的集合。

    Dec, 2016

  • 生成智能的进展：GANs、GPT、自编码器、扩散模型和 Transformer 的综述

    ChatGPT 是生成人工智能领域的重要里程碑，引发了新一轮关于先进模型与任务的研究及创新，并带来了无数创新性工具和挑战。

    Nov, 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

  • 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

  • 利用消息传递变换器进行物理模拟学习

    基于图神经网络的新型智能体架构 —— 消息传递变换器，结合了消息传递框架，采用了编码器 - 处理器 - 解码器结构，以及应用了图傅里叶损失作为模型优化的损失函数。

    Jun, 2024

  • 可解释的机器学习在高能粒子碰撞中的物理基础研究

    我们提出了一种可解释的、物理感知的机器学习模型的实现，能够推断高能粒子碰撞的基础物理，利用最终状态粒子的能量 - 动量四矢量中的信息。我们使用生成对抗网络（GAN）的概念证明了我们的白盒人工智能方法，该方法学习自 DGLAP 型发射子阶级蒙特卡洛事例发生器。我们首次展示了我们的方法不仅能学习粒子的最终分布，还能学习阶级分支机制 —— 即 Altarelli-Parisi 分裂函数、阶级的序列变量和缩放行为。虽然当前工作集中在发射子阶级的扰动物理学上，但我们预见到我们的框架在目前难以从 QCD 的第一原则解决的领域中具有广泛的应用，如非微扰和集体效应、分解破坏和重离子和电子 - 核碰撞中的发射子阶级修改。

    Dec, 2020

  • 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