Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | University of California San Diego | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | European Organization for Nuclear Research (CERN) | - |
Autor(es): dc.contributor | California Institute of Technology | - |
Autor(es): dc.contributor | University of Athens | - |
Autor(es): dc.creator | Kansal, Raghav | - |
Autor(es): dc.creator | Duarte, Javier | - |
Autor(es): dc.creator | Su, Hao | - |
Autor(es): dc.creator | Orzari, Breno | - |
Autor(es): dc.creator | Tomei, Thiago | - |
Autor(es): dc.creator | Pierini, Maurizio | - |
Autor(es): dc.creator | Touranakou, Mary | - |
Autor(es): dc.creator | Vlimant, Jean-Roch | - |
Autor(es): dc.creator | Gunopulos, Dimitrios | - |
Data de aceite: dc.date.accessioned | 2025-08-21T19:06:09Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T19:06:09Z | - |
Data de envio: dc.date.issued | 2023-03-01 | - |
Data de envio: dc.date.issued | 2023-03-01 | - |
Data de envio: dc.date.issued | 2020-12-31 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/240249 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/240249 | - |
Descrição: dc.description | In high energy physics (HEP), jets are collections of correlated particles produced ubiquitously in particle collisions such as those at the CERN Large Hadron Collider (LHC). Machine learning (ML)-based generative models, such as generative adversarial networks (GANs), have the potential to significantly accelerate LHC jet simulations. However, despite jets having a natural representation as a set of particles in momentum-space, a.k.a. a particle cloud, there exist no generative models applied to such a dataset. In this work, we introduce a new particle cloud dataset (JetNet), and apply to it existing point cloud GANs. Results are evaluated using (1) 1-Wasserstein distances between high- and low-level feature distributions, (2) a newly developed Fréchet ParticleNet Distance, and (3) the coverage and (4) minimum matching distance metrics. Existing GANs are found to be inadequate for physics applications, hence we develop a new message passing GAN (MPGAN), which outperforms existing point cloud GANs on virtually every metric and shows promise for use in HEP. We propose JetNet as a novel point-cloud-style dataset for the ML community to experiment with, and set MPGAN as a benchmark to improve upon for future generative models. Additionally, to facilitate research and improve accessibility and reproducibility in this area, we release the open-source JETNET Python package with interfaces for particle cloud datasets, implementations for evaluation and loss metrics, and more tools for ML in HEP development. | - |
Descrição: dc.description | University of California San Diego, La Jolla | - |
Descrição: dc.description | Universidade Estadual Paulista, SP | - |
Descrição: dc.description | European Organization for Nuclear Research (CERN) | - |
Descrição: dc.description | California Institute of Technology | - |
Descrição: dc.description | National and Kapodistrian University of Athens | - |
Descrição: dc.description | Universidade Estadual Paulista, SP | - |
Formato: dc.format | 23858-23871 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Advances in Neural Information Processing Systems | - |
???dc.source???: dc.source | Scopus | - |
Título: dc.title | Particle Cloud Generation with Message Passing Generative Adversarial Networks | - |
Tipo de arquivo: dc.type | aula digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: