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