Mar, 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

PDF
TL;DR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
ultra-high-granularity detectorgenerative modelsintra-event aware generative adversarial networkyonedavaedetector simulation
发现论文，激发创造
  • 使用深度生成模型和密度信息缓冲进行物理事件生成和统计采样

    使用生成对抗网络和变分自编码器生成物理过程事件的研究表明，根据编码的蒙特卡罗事件缓冲区密度信息，可以构造新的先验以从解码器中采样新事件，提高采样效率且能生成与真实蒙特卡罗事件非常接近的分布，应用范围包括密度估计和采样、目标事件生成、异常检测，以及矩阵元素相空间积分的重要性采样等。

    Jan, 2019

  • 用于快速模拟 CERN 粒子碰撞的生成扩散模型

    利用扩散模型，我们首次使用模拟方法对 ALICE 实验中的 Zero Degree Calorimeter（ZDC）进行了模拟，与现有基线相比实现了最高保真度，结果表明潜在扩散模型具有快速生成时间的显著潜力。

    Jun, 2024

  • 深度生成模型用于探测器特征模拟：分析分类

    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。

    Dec, 2023

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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