氙tpcs多维度快速似然分析
flamedisx的Python项目详细描述
弗拉门德斯
氙tpcs多维度快速似然分析。
作者：Jelle Aalbers、Bart Pelsers和Christian Antiochi
说明
FlameDisx旨在增加实际尺寸（如s1、s2、x， y，z和时间）和参数（g1，g2，复合模型系数， 电子寿命，…）以lxe-tpc为例。
传统上，我们使用高统计mc模拟产生的直方图来评估（使用的概率密度函数）我们的可能性。我们为几个参数组合预先计算这些直方图，然后在推理期间在它们之间进行插值（对撞机物理术语中的“verial template morphing”）。预计算时间是似然/直方图维数的指数，并且使用的参数数。
FLAMISDX代替在每个观测事件中直接计算概率密度，而不使用MC积分（或近似模型）。常用的lxe辐射模型非常简单，可以用几次矩阵乘法，以几毫秒的速度计算mc模拟的积分等价物，而不是用0分钟或更长时间的高统计mc模拟。
这有几个优点：
- 每个事件在观测点（x，y，z，time）都有其“私有”检测器模型计算，因此使似然时间和位置相关不会带来额外的计算负担。
- 数据集的可能性需要O（秒）来计算，因此我们可以在推理过程中在优化器建议的每个点上进行计算。因此，我们去除了参数数量上的预计算阶跃指数，从而可以拟合更多的参数。
- 由于似然包含确定性矩阵乘法，因此可以在tensorflow/pytorch中实现。这使得能够自动区分，在最小化过程中解锁梯度，显著减少拟合或轮廓可能性所需的迭代次数。
注意这是在建设中，所以它可能有许多错误和很少或没有文档。
0.1.2/2019-07-24
- 加速计算，添加教程（11） 优化Loopou-AxIS1（α10）
0.1.1/2019-07-21
- 黑森5倍加速（9）
- 修复pip安装
0.1.0/2019-07-16
- 配料（7）
- 推断（6）
- 移植到TensorFlow/GPU支持（1，2，3，5）
0.0.1/2019-03-17
- 基于numpy的初始版本
欢迎加入QQ群-->： 979659372
