May, 2024

卷积 L2LFlows：使用卷积归一化流生成高粒度量能器中准确的射流

PDF
TL;DR为了构建计算效率高且能代替基于规则的模拟的生成式替代模型，本研究扩展了 L2LFlows 以模拟具有较大剖面尺寸的洗澡水，并引入了卷积层和 U-Net 型连接，从掩蔽自回归流变为耦合层，在 ILD 电磁量热计以及公共 CaloChallenge 数据集中成功建模了洗澡水。
generative surrogate modelsnormalizing flowslatent spacel2lflowsconvolutional layers
发现论文，激发创造
  • 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

  • SuperCalo: 阈值能量沉积超分辨

    通过使用流式超分辨率模型 SuperCalo，可以快速地将高维的细粒度量能计量器沉降（shower）从粗粒度沉降中提升，从而降低计算成本、内存需求和生成时间。此外，通过 SuperCalo 提升的沉降具有高度的变异性，使得可以从较少的粗粒度沉降中高保真地提升大量高维沉降，进一步减少了生成时间。

    Aug, 2023

  • 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

  • 训练计算密集型目标概率分布的正则化流

    机器学习技术特别是所谓的标准化流在蒙特卡洛模拟中变得越来越受欢迎，因为它们可以有效地逼近目标概率分布。在格点场论中，目标分布由作用的指数给出。我们提出了一种基于 REINFORCE 算法的标准化流估计器，避免了相关的计算问题，应用于临界维度的二维 Schwinger 模型，并显示它相比重新参数化技巧估计器的墙钟时间更快，内存需求减少了 30％，数值上更稳定，并允许进行单精度计算和使用半浮点张量核心。我们深入分析了这些改进的原因，这些优点也将出现在目标概率分布计算复杂的其他领域中。

    Aug, 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

  • 两种潜变流的故事：基于短程 Langevin 流的学习潜空间正规化流进行近似推断

    本研究提出一种基于 Markov chain Monte Carlo (MCMC) 的最大似然算法的潜空间归一化流模型，可实现图像生成、重构、异常检测、受监督的图像修补和无监督的图像修复。

    Jan, 2023

  • 小波流：高分辨率归一化流的快速训练

    本文介绍了基于小波变换的多尺度归一化流 Wavelet Flow，它具有低分辨率信号的显式表示和高分辨率信号的条件生成等多个优点，并在比特 / 维度标准测试中表现出与以前的归一化流相媲美的性能。

    Oct, 2020

  • 卷积归一化流

    该研究论文介绍了一种基于神经网络和正则化流的灵活变分后验分布逼近方法，提出了一种名为 ConvFlow 的新型正则化流方法，并证明了其在合成和实际问题中的有效性和效率。

    Nov, 2017

  • 通过正规化流改善 Λ 信号的领域适配

    该研究使用归一化流在领域适应中表现出了新的应用，通过研究流基神经网络在 CLAS12 中提高 Λ 高超子信号提取的能力。

    Mar, 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