Jun, 2024

用于快速模拟 CERN 粒子碰撞的生成扩散模型

PDF
TL;DR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。
high energy physicssimulationsdiffusion modelszero degree calorimeterlatent diffusion model
发现论文，激发创造
  • 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

  • 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

  • CERN ALICE 实验中零度量能器粒子响应模拟的机器学习方法

    利用神经网络分类器和生成模型直接模拟卡路里计数器的响应，大幅提高了模拟速度并保持高保真度。

    Jun, 2023

  • 高能物理反问题的端到端潜变分扩散模型

    本研究通过引入一种新的统一的架构，将深度学习和变分框架相结合，探讨和比较各种生成式深度学习方法，以逼近将探测器观测结果映射到潜在的粒子碰撞物理量的问题。我们证明了这种方法的有效性，包括重构理论运动学量的全局分布以及确保学习后验分布符合已知的物理约束条件。与现有方法相比，这种统一方法的误差更小，达到了绝对误差的二十倍和传统潜变扩散模型的三倍。

    May, 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

  • 量子噪声驱动的生成式扩散模型

    量子驱动扩散模型的量子泛化被提出，并讨论了可在实际量子系统上进行实验测试的三种量子噪声驱动的生成扩散模型。通过利用量子噪声作为生成更复杂的概率分布的重要成分，我们的结果有望为处理从气候预测到神经科学、交通流分析到金融预测等广泛的实际应用任务的新型量子驱动生成扩散算法铺平道路。

    Aug, 2023

  • 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

  • 量子去噪扩散模型

    本研究探讨了量子机器学习和变分量子电路的整合，以增强扩散式图像生成模型的效力，并通过 MNIST 数字，Fashion MNIST 和 CIFAR-10 对两种量子扩散模型进行了基准测试，结果显示我们的模型在性能指标 FID、SSIM 和 PSNR 方面超越了传统模型。此外，我们还引入了一种一致性模型单一采样架构，将扩散过程合并为一步，实现了快速一步图像生成。

    Jan, 2024

  • 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

  • 将 GAN 和基于分数扩散的生成粒子模型统一

    本文提出了一个将生成模型的训练视为粒子模型推广的新框架，将粒子模型和对抗生成模型统一起来，并在实际模型中进行了测试。

    May, 2023