XiaoMi-AI文件搜索系统
World File Search Systemcalorimeter
CMS电磁量热计中能量聚类的深度学习技术
CMS电磁热量表（ECAL）是由约75000铅钨（PBWO 4）晶体制成的同型热量表。它位于跟踪器和辐射热量计之间，分为两个主要部分：枪管（crystal size：2。2 x 2。2 x 23厘米），覆盖伪to | η| <1。479和端盖（晶体大小：2。9 x 2。9 x 23厘米），覆盖假性1。479 <| η| <3。0。ECAL对于重建光子和电子是必需的，以及喷气机能量和缺失横向动量的测量[1]。当电子或光子横穿ECAL时，它将能量沉积在多个晶体中（“充值”）。簇是通过收集最大能量的能量沉积物来建造的。每个群集归因于一个粒子或几个隔板颗粒。但是，电子和光子可以与ECAL前面的材料相互作用。在这种情况下，电子发射Bremsstrahung光子和光子转换为电子对，在ECAL中产生附近的多个簇。这些簇必须合并以重建初始粒子的能量。此组合称为超级收集器[2]。当前，几何方法用于重建供应商。首先，找到具有在给定阈值较高的（种子）上方的能量的簇[2]。然后，在种子周围打开一个窗口，其形状类似于（η，ϕ）平面中的胡须。之所以选择这种形状，是因为簇沿横向ϕ轴而不是由于CMS磁场引起的纵向η轴（3.8 t）。窗口的大小在种子的η位和cluster的能量上。最后，所有落入定义窗口中的群集被认为是超集群的一部分。由于几何窗口的形状，所述算法称为“胡须”。
基于图的扩散模型，用于使用不规则几何量的热量量表中的快速淋浴模型
仿真在解释大型强子对撞机（LHC）实验的碰撞数据以及与理论预测的测试对齐中起着至关重要的作用。在模拟碰撞数据中所带来的独特挑战，包括高维特征空间和缺乏可拖动的可能性模型，启发了一系列深度学习解决方案[1,2]。特别是，对于模拟检测器中的粒子相互作用，核心挑战是有限的计算资源，以对热量计中的粒子阵雨建模所需的极端细节主导。在这里，基于Geant 4 [3 - 5]的蒙特卡洛模拟的传统方法是强大但资源高度的 - 占据了地图集模拟链中最大的时间[6]。在未来的高光度LHC运行中，热量计模拟将需要应对更高的数据速率，从而可能成为物理分析的限制因素，而在该领域没有显着进展[7]。为了大大加快热量计模拟的速度，已经采取了许多努力。虽然快速的淋浴模型已成功部署在LHC实验[8,9]中，但准确性却有限。最近，深层生成模型的出现导致了它们的广泛流行和解决这项任务的潜力。应用于量热计的第一个生成模型
通过生成对抗网络快速模拟高粒度量热仪
摘要 我们提出了 3DGAN，用于模拟未来高粒度量热仪的三维图像输出。我们证明了生成对抗网络 (GAN) 在生成科学数据方面的有效性，同时在大量输入变量中保持对各种指标的高准确度。我们展示了迁移学习概念的成功应用：我们训练网络模拟来自较小范围的初级能量的电子簇射，然后进一步训练五倍大的范围（模型无法直接训练更大的范围）。同样的概念被扩展到为其他粒子生成簇射，这些粒子的大部分能量都沉积在电磁相互作用中（光子和中性介子）。此外，还探索了带电介子簇射的生成，更准确的努力需要来自其他探测器的额外数据，而这些数据不在当前工作的范围内。我们的进一步贡献是演示了如何使用 GAN 生成的数据进行实际应用。我们使用 GAN 生成的数据训练第三方网络，并证明响应类似于使用蒙特卡罗模拟数据训练的网络。GAN 生成的阵雨对各种物理特征的准确度在蒙特卡罗的 10% 以内，速度提高了三个数量级。通过分布式训练可以进一步提高训练和推理的速度。