DHCAL中粒子湍流重构的点云深度学习方法
机器学习
2024-12-17 v1 人工智能
分布式、并行与集群计算
网络与互联网体系结构
摘要
对喷发性最终态的精确测量 presents complex experimental challenges。该研究探讨了气相数字式喷发性热力学计量器（DHCAL）的概念，并讨论了在未来碰撞实验中采用图神经网络（GNN）方法的潜在优势。特别是，我们使用GNN将热力学簇描述为点云或表示三维空间对象的数据点集合。结合图注意力转换器（GATs）和DeepSets算法，这种方法在粒子识别与能量分辨率方面优于现有基线技术。我们讨论了在数字热力学计量器中实现GNN方法遇到的挑战，例如大量喷发性湍流形状以及超参数优化。我们也讨论了测量性能依赖于入射粒子角度和探测器细节粗糙度的情况。最后，我们概述了这些技术的潜在未来方向与应用。
引用
@article{arxiv.2412.11207,
title = {ProFe: Communication-Efficient Decentralized Federated Learning via Distillation and Prototypes},
author = {Pedro Miguel Sánchez Sánchez and Enrique Tomás Martínez Beltrán and Miguel Fernández Llamas and Gérôme Bovet and Gregorio Martínez Pérez and Alberto Huertas Celdrán},
journal= {arXiv preprint arXiv:2412.11207},
year = {2024}
}