ترجمه فارسی مقاله برای تولید ابر نقطه‌ای به میدان‌های میانگین توجه کنید

چکیده

Collider data generation with machine learning has become increasingly popular in particle physics due to the high computational cost of conventional Monte Carlo simulations, particularly for future high-luminosity colliders. We propose a generative model for point clouds that employs an attention-based aggregation while preserving a linear computational complexity with respect to the number of points. The model is trained in an adversarial setup, ensuring input permutation equivariance and invariance for the generator and critic, respectively. To stabilize known unstable adversarial training, a feature matching loss is introduced. We evaluate the performance on two different datasets. The former is the top-quark textsc{JetNet150} dataset, where the model outperforms the current state-of-the-art GAN-based model, despite having significantly fewer parameters. The latter is dataset 2 of the CaloChallenge, which comprises point clouds with up to $30times$ more points compared to the first dataset. The model and its corresponding code are available at url{https://github.com/kaechb/MDMA/tree/NeurIPS}.

چکیده به فارسی (ترجمه ماشینی)

تولید داده های Collider با یادگیری ماشین به دلیل هزینه محاسباتی بالای شبیه سازی های معمولی مونت کارلو ، به ویژه برای برخورد با نورپردازی بالا ، در فیزیک ذرات به طور فزاینده ای محبوب شده است.ما یک مدل تولیدی برای ابرهای نقطه ای ارائه می دهیم که ضمن حفظ پیچیدگی محاسباتی خطی با توجه به تعداد امتیازات ، از تجمع مبتنی بر توجه استفاده می کند.این مدل در یک مجموعه مخالف آموزش دیده است و به ترتیب از تعادل و تغییر و تحول در ورودی برای ژنراتور و منتقد اطمینان می دهد.برای تثبیت تمرینات مخالف ناپایدار شناخته شده ، از دست دادن تطبیق ویژگی معرفی می شود.ما عملکرد را در دو مجموعه داده مختلف ارزیابی می کنیم.اولی مجموعه داده های برتر textsc {jetnet150} است ، جایی که این مدل با وجود داشتن پارامترهای قابل توجهی کمتر ، از مدل پیشرفته و پیشرفته GAN استفاده می کند.مورد دوم مجموعه داده 2 از Calochallenge است که شامل ابرهای نقطه ای با 30 دلار برابر امتیاز بیشتر در مقایسه با مجموعه داده اول است.مدل و کد مربوطه آن در url {https://github.com/kaechb/mdma/tree/neurips.