Dec, 2023

深度生成模型用于探测器特征模拟：分析分类

PDF
TL;DR通过以方法论和应用角度综合全面地对探测器特征模拟领域的现有文献进行分类和分析，本文总结了快速模拟、深度生成模型以及探测器特征模拟中的关键应用领域，并对未来的研究和发展提出了挑战和机遇。
collider experimentsfast simulationdetector simulationdeep generative modelsdetector signature simulation
发现论文，激发创造
  • 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

  • 深度生成模型用于超高粒度粒子物理探测器模拟：从仿真到外推的航程

    利用深度生成模型模拟粒子物理中超高粒度探测器回应的研究论文

    Mar, 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

  • 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

  • 用通用对抗签名保护深度生成模型

    本文提出将普遍对抗性签名注入到任意预训练生成模型中，增加其生成内容的可检测性和可追踪性，从而避免其潜在的滥用和威胁。

    May, 2023

  • 如何使用 GAN 消除探测器效应

    本文介绍如何使用生成网络逆向模拟探测器效应等过程产生的事件，从而统计上反演蒙特卡罗模拟。此外，还介绍了最大均值失配损失如何被阶段性地或抑制地应用。

    Dec, 2019

  • KamLAND-Zen 模拟的生成模型

    未来的无中微子双贝塔衰变搜索将使用基于机器学习的生成模型辅助传统蒙特卡洛模拟以提供高质量的仿真数据，并提高事件分类和背景抑制能力。

    Dec, 2023

  • 基于数据驱动的离线签名验证的深度生成性攻击与对抗措施

    通过使用深度生成模型进行生成性攻击，本文探讨了其对数据驱动的签名验证 (DASV) 过程的影响，并提出了切实可行且可解释的对策。通过使用 Variational Auto-encoder (VAE) 和 Conditional Generative Adversarial Networks (CGAN) 来生成可以成功欺骗 DASV 的签名，并通过使用结构相似性指数测量 (SSIM) 评估生成图像的质量，并使用该指标来解释攻击的成功率。最后，提出了有效减少 DASV 的深度生成攻击影响的对策。

    Dec, 2023

  • 粒子物理 DL 模拟及生成数据属性控制

    本研究旨在通过引进对生成数据属性的控制机制，提供一种替代当前使用的算法的解决方案，从而减少模拟成本和时间，并扩展至 ALICE 实验中的 ZDC 量热计的模拟。

    May, 2024

  • 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