Unsupervised Domain Transfer for Science: Exploring Deep Learning Methods for Translation between LArTPC Detector Simulations with Differing Response Models

要約

【タイトル】異なる反応モデルを持つLArTPC検出シミュレーション間の翻訳のための深層学習手法の探究を通じた科学における無教師ドメイン転移

【要約】
– Deep Learning (DL)技術は、科学において潜在的な解決策や発見の過程を効果的にするために幅広く利用されている。
– しかし、多くの場合、DLモデルはシミュレーションの結果に基づいて訓練され、実験データに適用されることが多い。
– このため、シミュレーションと実験データの間にシステマティックな違いがある場合、モデルの性能が低下する可能性がある。この効果を「ドメインシフト」と呼ぶ。
– 本研究では、システマティックな違いのあるシミュレーションと実験データの間の違いを研究している。
– このため、完全に非監督、タスク依存しない方法を提供しており、2つの異なるサンプル間の違いを減らす方法を提供する。
– この方法は、未結婚の画像対画像変換技術の最近の進歩に基づいており、2つのシミュレーションされた液体アルゴンタイムプロジェクションチャンバー（LArTPC）検出器イベントのセットで検証されている。
– LArTPCベースの検出器は、独自の高分解能粒子トラックデータを生成し、次世代の粒子検出器を表している。
– 本研究は、LArTPCのようなデータを研究するために、様々な分野の研究者が初めてアクセスできる生成されたLArTPCデータセットであるSLATS（Simple Liquid-Argon Track Samples）をオープンソース化している。
– コードとトレーニングされたモデルは、https://github.com/LS4GAN/uvcgan4slatsで利用可能である。

要約(オリジナル)

Deep learning (DL) techniques have broad applications in science, especially in seeking to streamline the pathway to potential solutions and discoveries. Frequently, however, DL models are trained on the results of simulation yet applied to real experimental data. As such, any systematic differences between the simulated and real data may degrade the model’s performance — an effect known as ‘domain shift.’ This work studies a toy model of the systematic differences between simulated and real data. It presents a fully unsupervised, task-agnostic method to reduce differences between two systematically different samples. The method is based on the recent advances in unpaired image-to-image translation techniques and is validated on two sets of samples of simulated Liquid Argon Time Projection Chamber (LArTPC) detector events, created to illustrate common systematic differences between the simulated and real data in a controlled way. LArTPC-based detectors represent the next-generation particle detectors, producing unique high-resolution particle track data. This work open-sources the generated LArTPC data set, called Simple Liquid-Argon Track Samples (or SLATS), allowing researchers from diverse domains to study the LArTPC-like data for the first time. The code and trained models are available at https://github.com/LS4GAN/uvcgan4slats.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI