应用生成神经网络实现ALICE（CERN）实验的快速模拟
仪器与探测器
2024-07-25 v1 机器学习
高能物理 - 实验
摘要
本论文研究了将生成神经网络的最新进展应用于CERN的ALICE实验中零度量热计（ZDC）中子探测器的快速模拟。使用GEANT蒙特卡洛工具包的传统模拟方法虽然精确，但计算量大。随着CERN计算需求的增长，高效的模拟技术至关重要。论文对神经网络在计算机视觉中的应用、基于机器学习的快速模拟以及高能物理中的生成神经网络进行了全面的文献综述。还讨论了所分析模型的理论、技术方面以及实际实施中的挑战。实验评估了多种神经网络架构，包括卷积神经网络、视觉变换器和MLP-Mixers，以及生成框架，如自编码器、生成对抗网络、向量量化模型和扩散模型。主要贡献包括这些模型的实施与评估，与现有方法相比在Wasserstein度量上的显著改进，且生成时间低至每样本5毫秒，以及为开发快速ZDC模拟模型制定了一系列建议。提供了开源代码和详细的超参数设置以确保可复现性。此外，论文还概述了未来研究方向，以进一步提高模拟的保真度和效率。
关键词
引用
@article{arxiv.2407.16704,
title = {Applying generative neural networks for fast simulations of the ALICE (CERN) experiment},
author = {Maksymilian Wojnar},
journal= {arXiv preprint arXiv:2407.16704},
year = {2024}
}
备注
Master's theses at the Faculty of Computer Science of AGH University of Krakow