使用深度神经网络提高快采样粒子定时探测器的精度

Dec, 2023

使用深度神经网络提高快采样粒子定时探测器的精度

Using deep neural networks to improve the precision of fast-sampled particle timing detectors

Mateusz Kocot, Krzysztof Misan, Valentina Avati, Edoardo Bossini, Leszek Grzanka...

TL;DR通过使用深度神经网络，该研究改进了粒子计时探测器的定时精度，从而减少了因时间走样效应引起的测量偏差，最终获得了 8% 到 23% 不等的定时精度提升。

Abstract

Measurements from particle timing detectors are often affected by the time walk effect caused by statistical fluctuations in the charge deposited by passing particles. The constant fraction discriminator (CFD) al

particle timing detectors time walk effect constant fraction discriminator deep neural networks timing precision

发现论文，激发创造

基于物理约束的深度学习模块化核探测器无标签时序分析

本文提出了一种基于深度学习的方法，应用于无需明确标记事件数据的模块化核探测器的时间分析，通过单独探测器内部的时间相关性，形成一个无标签损失函数，通过特别设计的正则化器监督神经网络的训练来精确地映射功能和时间信息的恢复，成功地还原了波形样本的时间信息。

Apr, 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

DeepCFD：利用深度卷积神经网络高效稳态层流近似计算

提出 DeepCFD 模型，基于卷积神经网络，有效地逼近非均匀稳态层流的问题，从真实数据中学习 Navier-Stokes 方程的完整解，可在低误差率的情况下加速高达三个数量级。

Apr, 2020

CFDNet: 一种基于深度学习的流体模拟加速器

本文介绍了将 CFD 和深度学习结合的 CFDNet 框架，用于加速雷诺平均纳维 - 斯托克斯模拟的收敛，加速效果达到 1.9-7.4 倍。

May, 2020

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

C (NN) FD -- 用于涡轮机械 CFD 分析的深度学习框架

本文介绍了一种基于深度学习的新型框架（C（NN）FD），实时预测燃气轮机中轴向压缩机制造和构建变化对整体性能的影响。通过预测流场并计算相应的整体性能，该方法具有普适性，而仅过滤 CFD 解决方案的相关部分使得该方法可扩展到工业应用。

Jun, 2023

受限空气动力学数据集的快速神经网络预测

本研究提出了一种模型无关的计算流体动力学仿真方法，采用聚类神经网络结构，并与基于模型的方法作对比，结果表明该方法与之几乎同样精确，但速度快一个数量级，易于应用，在仿真简化和加速方面具有潜在的应用价值。

Jan, 2019

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

结合可微偏微分方程解算器和图神经网络进行流体流动预测

本文开发了一个混合（图）神经网络，利用传统的图卷积网络和内嵌可微流体动力学模拟器相结合，在利用较粗略的问题表示进行实际 CFD 模拟的同时，通过结合实际 CFD 模拟器和图网络，我们展示了我们能够很好地推广到新的情况并受益于神经网络 CFD 预测的显着加速，同时还大大优于单独的粗略的 CFD 模拟。

Jul, 2020

利用 OpenFOAM 嵌入式深度学习框架减少粗网格 CFD 模拟的空间离散误差

我们提出了一种方法来减小粗网格计算流体力学（CFD）问题的空间离散化误差，通过利用高质量数据喂给深度学习模型来提高低分辨率模拟的质量。我们用前馈神经网络替换了对流项的默认差分方案，将速度从单元格中心插值到面值，以产生与细网格数据近似的速度。深度学习框架集成了开源 CFD 代码 OpenFOAM，形成了一个端到端可微化的模型。我们使用离散伴随代码版本自动微分了 CFD 物理学。我们提出了一种加速训练过程的 TensorFlow（Python）和 OpenFOAM（C++）之间的快速通信方法。我们将该模型应用于方形柱问题的流动中，将误差减小到了传统求解器的约 50％，在 x 和 y 速度分量上，网格粗糙度为 8 倍。由于架构利用了物理学的局部特征并为中期模拟生成稳定的预测，所以这种训练是可接受的时间和数据样本。

May, 2024