Mar, 2024

粒子加速器中束流动力学的条件潜变自回归模型的生成和预测

PDF
TL;DR使用两步无监督深度学习框架，名为 CLARM，来学习加速器中带电粒子的时空动态
particle acceleratorsbeam diagnosticsunsupervised deep learningspatiotemporal dynamicsclarm
发现论文，激发创造
  • 粒子加速器条件建模下的健壮性错误光束预测

    利用有监督机器学习方法，特别是孪生神经网络模型，来预测粒子加速器的异常行为，提高其可用性。

    Nov, 2023

  • PASCL：基于扰动增强的监督对比学习用于粒子衰变重建

    通过引入基于图的深度学习模型，使用最低共同祖先矩阵（LCAG）对粒子衰变树结构进行编码，并结合扰动增强技术以及监督图对比学习算法来提高高能物理数据分析的衰变事件重建准确性。

    Feb, 2024

  • 利用物理约束深度自回归网络模拟 PDE 系统动态

    本文提出了一种基于物理约束的深度学习模型，通过自动回归密集编码器 - 解码器卷积神经网络建模非线性动力学系统，实现对时间步骤的预测量进行不确定性量化，并利用其在多个非线性瞬态偏微分方程系统上进行测试。

    Jun, 2019

  • 利用 LSTM 深度学习技术实现加速器粒子轨道异常检测

    发展了一种基于机器学习的故障检测方法，利用 LSTM 自编码器来捕捉正常模式并预测轨道锁定系统中监测传感器的未来值，当预测误差超过阈值时检测到异常。使用连续电子束加速器设施的监测数据进行实验，结果表明，使用单个轨道锁定控制系统组件的监测数据，我们的解决方案可以识别出 68.6%-89.3% 的实际异常，准确率可以高达 82%。

    Jan, 2024

  • 粒子加速器的不确定性感知深度学习

    使用深度高斯过程逼近（DGPA）方法，我们对萨帕腾中子源（SNS）加速器的错误光束预测（分类）进行了研究，并为费米国家加速器实验室（FNAL）助推器加速器复合物（回归）提供了一个具有不确定性感知的代理模型。

    Sep, 2023

  • 可解释的深层模型用于心脏再同步治疗反应预测

    在医学图像分类中使用变分自编码器框架来提高深度模型的可解释性，通过分离潜在空间并从现有的临床知识中提取 ' 解释 ' 来实现预测和解释输出，进一步通过预测心肌病患者心脏重同步治疗反应来展示模型的潜力。

    Jun, 2020

  • SLAC Linac 相干光源的弹性 VAE：无监督异常检测

    利用深度学习进行异常检测的方法取得了显著进展。本文介绍了 Resilient Variational Autoencoder (ResVAE)，这是一个特别设计用于异常检测的深度生成模型。通过在 SLAC Linac Coherent Light Source (LCLS) 的加速器状态中应用我们的方法，我们展示了 ResVAE 在识别加速器中各种可见异常的杰出能力。

    Sep, 2023

  • 基于 Haar 小波的块自回归流模型用于轨迹预测

    本研究提出了一种基于 Haar 小波变换的分块自回归模型，利用分块耦合法，通过对粗糙轨迹条件，精确地对不同时空分辨率下的轨迹进行建模并预测，以提高自主智能体的运行效果。在 Stanford Drone 和 Intersection Drone 两个真实数据集上进行测试，结果表明此模型的生成轨迹精准度和可变性均优于其他条件生成模型。

    Sep, 2020

  • 辅助导向自回归变分自动编码器

    本文提出了一种训练程序，它基于辅助损失函数来控制潜变量所捕获的信息以及留给自回归解码器的信息，该方法可以实现任意强大的自回归解码器，达到具有潜变量的模型中最先进的定量性能，并生成定性令人信服的样本。

    Nov, 2017

  • 用深度卷积循环自编码器学习流体系统低维特征动态

    本研究提出一种基于深度学习的非线性模型降维策略，通过深度卷积自编码器和 LSTM 网络构建模块化模型，实现繁重计算任务中的模型降维，同时保持计算效率和系统稳定性。

    Aug, 2018