Mar, 2024

一种所有问题的流动：使用单一归一化流和开关改进高能物理中的模拟

PDF
TL;DR在高能物理分析中，模拟事件是几乎所有研究的关键要素。本文介绍了一种基于单一归一化流和布尔条件的简单方法，用于将一个多维分布（模拟数据）转化为另一个多维分布（实际数据），以对相关可观测量进行校正。实验证明了该方法在包含多个可观测量及其相关性的模拟数据中的有效性。
simulated eventshigh-energy physicssimulationcorrection methodobservables
发现论文，激发创造
  • 基于正则化流的事件生成

    该论文提出了一种基于归一化流的新型积分器，可用于提高碰撞器物理模拟中的 Monte-Carlo 事件生成器的去加权效率，相对于基于替代模型的机器学习方法，我们的方法可以生成正确的结果，即使底层神经网络没有经过最优训练，我们以 Drell-Yan 型过程在 LHC 上的例子来说明这种新策略。

    Jan, 2020

  • 归纳式 CaloFlow

    iCaloFlow 是一种基于归纳序列正规化流的快速探测器模拟框架，使用教师 - 学生蒸馏来提高采样速度。它能够在～10-100 倍于之前考虑的探测器几何形状的高精度模拟中发挥正规化流的潜力。

    May, 2023

  • 条件归一化流在优化权重重构中的应用

    通过条件归一化流来学习完整条件概率分布以匹配目标分布，消除模拟样本中的误建模，较之常见的重新加权技术，该方法独立于分组选择且不依赖于两个分布之间密度比率的估计，其可以提供高达三倍的统计精度，同时在高能粒子物理应用领域也具有一定的潜力。

    Apr, 2023

  • 从一个数据集到另一个数据集的流动：最大似然估计的变形

    利用正则化流模型，在没有明确知道数据集概率密度的情况下，通过最大似然估计训练正则化流，实现从一个数据集到另一个数据集的变形策略，并研究数据点的移动程度以统计匹配两个数据集，同时以特定特征为条件来生成变形函数。

    Sep, 2023

  • 平滑归一化流

    本文介绍了一种使用混合变换的规范连续流方法，可应用于计算力和高阶导数所需的平滑密度函数，并可用于分子动力学模拟。

    Oct, 2021

  • 超出标准模型配置的可测试似然函数

    研究中使用正规化流构建似然函数来实现从低能量测量到高能量 BSM 模型的准确信息传递，研究了一种特定形式的正规化流，应用于多模式和非高斯示例，并量化了似然函数及其检验统计量的准确性。

    Sep, 2023

  • 流模型在相关格点 QCD 系列生成中的应用

    利用机器学习的归一化流，在格点量子场论上可以生成具有统计相关性的不同作用参数下的格子规范场集合，本研究展示如何利用这些相关性来减少计算可观测量时的方差。通过一种新颖的残差流架构展示了三种概念验证应用：规范理论的连续极限、量子色动力学可观测量的质量依赖和基于费曼 - 赫尔曼方法的强子矩阵元素。在这三种情况下，相比于使用不相关的集合或直接改重赋权重进行的相同计算，显示出机器学习流的加入可以显著减小统计误差。

    Jan, 2024

  • 用于稳健和最优宇宙分析的多尺度流

    提出一种用于生成宇宙学数据的多尺度标准化流模型，可用于余弱引力透镜的模拟数据，以及识别数据中不同尺度的分布偏移并去除干扰，能明显优于传统或基于机器学习的统计模型，并能生成真实的弱引力透镜数据样本。

    Jun, 2023

  • 基于流模型的稀有事件模拟生成模型

    使用 Normalizing Flow 生成模型进行条件概率抽样配合 Coupling Flows 和 Importance Sampling，可以在高维及罕见事件的环境下实现高效的采样和估计。

    May, 2023

  • 一种高效的基于正规化流的薛定谔方程解决方案的理论框架

    通过利用范畴学可解的问题，本文解决了量子力学中求解电子薛定谔方程的问题并提出了一个高效的方法。

    May, 2024