1. Глубокие генеративные модели для моделирования быстрого фотонного потока в ATLAS(arXiv)
Автор : ATLAS Collaboration
Аннотация: Необходимость крупномасштабного производства высокоточных смоделированных выборок событий для обширной физической программы эксперимента ATLAS на Большом адронном коллайдере мотивирует разработку новых методов моделирования. Основываясь на недавнем успехе алгоритмов глубокого обучения, вариационные автоэнкодеры и генеративно-состязательные сети исследуются для моделирования реакции центральной области электромагнитного калориметра ATLAS на фотоны различных энергий. Свойства синтезированных ливней сравниваются с ливнями из полного моделирования детектора с использованием GEANT4. Как вариационные автоэнкодеры, так и генеративные состязательные сети способны быстро моделировать электромагнитные ливни с правильной полной энергией и стохастичностью, хотя моделирование распределения некоторых форм ливней требует большей доработки. Это технико-экономическое обоснование демонстрирует потенциал использования таких алгоритмов для моделирования быстрого калориметра ATLAS в будущем и показывает возможный способ дополнения существующих методов моделирования.
2. Контент-ориентированный поиск для глубоких генеративных моделей (arXiv)
Автор:Даохан Лу, Шэн-Ю Ван, Нупур Кумари, Рохан Агарвал, Дэвид Бау, Джун-Ян Чжу
Аннотация. Растущее распространение предварительно обученных генеративных моделей сделало невозможным для пользователя полное знание каждой существующей модели. Чтобы удовлетворить эту потребность, мы вводим задачу поиска модели на основе контента: по запросу и большому набору генеративных моделей найдите модели, которые лучше всего соответствуют запросу. Поскольку каждая генеративная модель создает распределение изображений, мы формулируем задачу поиска как оптимизацию, чтобы максимизировать вероятность создания совпадения запроса с заданной моделью. Мы разрабатываем приближения, чтобы сделать эту проблему решаемой, когда запрос представляет собой изображение, эскиз, текстовое описание, другую генеративную модель или комбинацию вышеперечисленного. Мы сравниваем наш метод по точности и скорости с набором генеративных моделей. Мы демонстрируем, что наш поиск моделей находит подходящие модели для редактирования и реконструкции изображений, обучения с передачей нескольких снимков и интерполяции скрытого пространства. Наконец, мы развертываем наш алгоритм поиска на нашей онлайн-платформе для обмена генеративными моделями по адресу https://modelverse.cs.cmu.edu.
3. Глубокая генеративная модель обеспечивает суперразрешение пространственно коррелированных межрегиональных климатических данных (arXiv)
Автор:Норихиро Ояма, Норико Н. Исидзаки, Сатоси Коидэ, Хироаки Ёсида
Аннотация: Суперразрешение грубых результатов моделирования глобального климата, называемое даунскейлингом, имеет решающее значение для принятия политических и социальных решений в отношении систем, требующих долгосрочных прогнозов изменения климата. Однако существующим быстрым методам сверхвысокого разрешения еще предстоит сохранить пространственно коррелированный характер климатологических данных, что особенно важно, когда мы рассматриваем системы с пространственным расширением, такие как развитие транспортной инфраструктуры. Здесь мы показываем, что машинное обучение на основе состязательной сети позволяет нам правильно реконструировать межрегиональные пространственные корреляции при уменьшении масштаба с большим увеличением до пятидесяти, сохраняя при этом попиксельную статистическую согласованность. Прямое сравнение с измеренными метеорологическими данными о распределении температуры и осадков показывает, что интеграция важной с климатологической точки зрения физической информации имеет важное значение для точного уменьшения масштаба, что побуждает нас называть наш подход πSRGAN (генерирующая состязательная сеть сверхвысокого разрешения, основанная на физике). Настоящий метод имеет потенциальное применение для согласованной на межрегиональном уровне оценки воздействия изменения климата.
