생몰정보
소속
직위
직업
활동분야
주기
서지
국회도서관 서비스 이용에 대한 안내를 해드립니다.
검색결과 (전체 1건)
원문 있는 자료 (1) 열기
원문 아이콘이 없는 경우 국회도서관 방문 시 책자로 이용 가능
목차보기더보기
Title Page
Abstract
Contents
Chapter 1. Introduction 11
Chapter 2. Experimental Environment 14
2.1. Electromagnetic calorimeter in CMS 14
2.2. Dual-readout calorimeter (DREAM) 18
Chapter 3. Generative Adversarial Network 22
Chapter 4. Model Architecture 25
4.1. Auxiliary GAN 25
4.2. Dual discriminator using masking 27
Chapter 5. Data Preprocessing and Hyperparameter 29
5.1. Normalization 29
5.2. Hyperparameter 31
5.3. Latent space 32
Chapter 6. Simulation with Generative Adversarial Network 34
6.1. Simulation images and distribution 34
6.1.1. Kullback-Leibler divergence 35
6.1.2. Uniform distribution energy 36
6.1.3. Fixed energy 38
6.2. Shape analysis 39
6.3. Loss and accuracy 43
6.4. DREAM simulation 46
6.5. Performance 47
Chapter 7. Conclusion and Future Outlook 49
Chapter 8. Appendix 52
References 55
국문초록 57
Table 5.1. Hyperparameter for training 32
Table 6.1. Difference of KLD range for each distributions. 36
Table 6.2. The latency time to simulation 10,000 events (showers) of positron... 48
Figure 2.1. The sectional view of the CMS detector 15
Figure 2.2. Set the geometry of electromagnetic calorimeter which consists of... 16
Figure 2.3. Random 10 9 x 9 resolution images. (log scale) 17
Figure 2.4. Random 10 24 x 24 resolution image. (log scale) 18
Figure 2.5. The DREAM detector, consist of fiber bunches which can read-... 19
Figure 2.6. The simulation of the DREAM setup in Geant4 simulation. Built... 20
Figure 2.7. A pixel of simulation images is composed of 4 fibers (left). Ran-... 21
Figure 3.1. Generative Adversarial Network 23
Figure 4.1. Auxiliary GAN 26
Figure 4.2. Dual discriminator using masking 27
Figure 5.1. Each scattering plot of ratio, deposited energies in 2 x 2, and... 30
Figure 5.2. The deposited energy in the area of 4 x 4 as of central divided... 31
Figure 6.1. Random 5 images (log scale) of e+ with energy which has uni-... 37
Figure 6.2. Total energies distribution (uniform) of Geant4's images and GAN's images 37
Figure 6.3. Monitoring KLD of 10, 50, 90 GeV from the step of well trained... 38
Figure 6.4. The 5 randomly simulation images using Geant4 and GAN. In... 40
Figure 6.5. Total energy distribution of each energy. 41
Figure 6.6. The average image of 10,000 events is expressed by 3D (90 GeV images). 42
Figure 6.7. The 3D image representing difference between Geant4 and GAN... 43
Figure 6.8. Loss plot of GAN 44
Figure 6.9. The 10,000 data of Geant4 was put into the discriminator (1st... 45
Figure 6.10. The deconvolutional network which makes images of 4 channels... 46
Figure 6.11. Applying GAN at Dream data. There are 4 channels of images,... 47
Figure 8.1. Drawn 3D images for particle shower (100 GeV) of 3 types of... 53
Figure 8.2. The difference of pixel value between GAN and Geant4 is ex-... 54
초록보기 더보기
Geant4는 전자기 칼로리미터에서 입자 상호작용을 시뮬레이션 하는 데 사용되는 툴킷이다. 우리의 목표는 생성적 적대 신경망 (GAN)을 사용하여 Geant4에 의해 시뮬레이션 된 입자 샤워를 생성하는 것이다. GAN 모델은 대립관계에서 훈련된 발전기와 판별기, 2개의 서로 다른 네트워크로 구성된다. 두 네트워크가 모두 충분히 훈련되면 발전기는 Geant4와 유사한 이미지를 생성하는 능력을 갖게 된다. 칼로리미터에서 발생하는 입자 샤워로 인하여 얻을 수 있는 2D 이미지의 픽셀 값은 상한점이 없고 한 영역으로 크게 치우치는 경향이 있어 GAN이 학습하기 어렵다. 이 문제를 극복하기 위해 마스킹을 이용한 듀얼 판별기 모델을 적용했다. 이 모델은 특정 픽셀값이 너무 높을 때, 그 영역을 제외하고 학습하는 두번째 판별기를 함께 학습시키므로써 이미지의 모든 영역이 올바르게 학습되도록 하고 모드 붕괴를 예방한다.
원문구축 및 2018년 이후 자료는 524호에서 직접 열람하십시요.
도서위치안내: / 서가번호:
우편복사 목록담기를 완료하였습니다.
* 표시는 필수사항 입니다.
* 주의: 국회도서관 이용자 모두에게 공유서재로 서비스 됩니다.
저장 되었습니다.
로그인을 하시려면 아이디와 비밀번호를 입력해주세요. 모바일 간편 열람증으로 입실한 경우 회원가입을 해야합니다.
공용 PC이므로 한번 더 로그인 해 주시기 바랍니다.
아이디 또는 비밀번호를 확인해주세요