パイルアップノイズ除去のための半教師つきグラフニューラルネットワーク【JST・京大機械翻訳】

Li Tianchun; Liu Shikun; Feng Yongbin; Paspalaki Garyfallia; Tran Nhan; Liu Miaoyuan; Li Pan

プレプリント

J-GLOBAL ID：202202215795514024 整理番号：22P0322044

パイルアップノイズ除去のための半教師つきグラフニューラルネットワーク【JST・京大機械翻訳】

Semi-supervised Graph Neural Networks for Pileup Noise Removal

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2022年03月29日プレプリントサーバーでの情報更新日： 2022年03月29日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

CERN Large Hadron Collderの高い瞬間光度は,同じまたは近くのバンチ交差(パイルアップ)において多重プロトン-プロトン相互作用をもたらす。パイルアップ粒子からこのノイズを除去し,重要な物理観測性能を改良するために,先進パイルアップ緩和アルゴリズムを設計した。本研究は,パイルアップから生成される個々の粒子を同定することによって,粒子レベルパイルアップノイズ除去のために,半教師つきグラフニューラルネットワークを実行した。グラフニューラルネットワークは,最初に,既知のラベルを持つ荷電粒子上で訓練され,それは,データまたはシミュレーションに関する検出器測定から得られ,そして,そのようなラベルが欠落している中性粒子上で推論される。この半教師つき手法は,シミュレーションからのグランドトルース情報に依存せず,従って,実験データ上で訓練を直接実行することを可能にする。このアプローチの性能は,広く使用されたドメインアルゴリズムよりも一貫して良く,シミュレーション真実情報を用いた完全教師つき訓練に匹敵することが分かった。本研究は,半教師つき学習技術をパイルアップ緩和に適用する最初の試みとして役立ち,完全データ駆動機械学習パイルアップ緩和研究の新しい方向を開く。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

電気的・磁気的実験技術 , スペクトル計測及びスペクトロメータ , 放射線検出・検出器 , ハドロンによって引き起されるその他の反応

, , ,

前のページに戻る