这项研究的重点是构建一种无监督的异常检测方法,以检测MUED中的错误图像。 我们认为,无监督技术是我们的首选,因为用于训练探测器的数据不需要手动标记,相反,机器旨在自行检测数据集中的异常,从而解放了繁琐,耗时的初始图像检查的用户。 该结构还必须为用户提供检测中一定程度的不确定性,因此用户可以根据此措施做出决定。
本文介绍了基于电感传感技术的新型六轴力/转子(F/T)传感器。 与需要直接接触和外部放大的传统应变片传感器不同,建议的传感器利用非接触电感测量来估计导电目标的位移力。 通过将基于CAN-FD的信号处理模块直接集成到PCB上,实现紧凑,完全集成的架构,无需外部DAQ系统即可以高达4 kHz的高速数据采集。 传感机制通过合理的函数拟合方法进行建模和校准,与其他非线性模型相比,该方法在根均方误差(RMSE)、测定系数(R^2)和线性误差方面表现出卓越的性能。 静态和可重复性实验验证了传感器的精度,实现了0.03 N的分辨率,量化水平超过55,000步,超过了商业传感器。 该传感器还表现出低串扰、高灵敏度和强大的噪声特性。 其性能和结构使其适用于精密机器人应用,特别是在紧凑性、非接触式操作和集成处理至关重要的情况下。
我们提出了一个(原型)核物理基础模型,能够在未来的电子离子对撞机成像切伦科夫探测器的低级探测器输入上运行。 为了解决现有下令牌预测方法的限制 - 即VQ-VAE令牌化和缺乏条件生成造成的分辨率损失 - 我们提出了三个关键创新:(i)离散空间特征和连续变量的独立词汇,通过因果多头交叉注意(CMHCA)组合,(ii)通过预处理上下文嵌入的连续动态调节,以及(iii)可扩展和简单,高分辨率的连续变量。 我们的模型为 Cherenkov 光子实现了快速、高保真生成像素和时间序列,并通过高性能 DIRC 中的闭包测试进行了验证。 我们还展示了我们的模型推广到重建任务,如pion和kaon识别,其中我们展示了其利用微调的能力。
在快速发展的5G和B5G(超越5G)网络中,高效的资源优化对于解决高速,低延迟和节能通信需求不断升级至关重要。 本研究探讨了射频识别(RFID)技术的集成,作为增强5G / B5G网络中资源管理的新方法。 这项研究背后的动机在于克服持续的挑战,如频谱拥塞、高延迟和低效负载平衡,这些挑战阻碍了传统资源分配方法的性能。 为此,RFID标签被嵌入到关键网络组件中,包括用户设备、基站和物联网(IoT)节点,从而能够收集设备状态、位置和资源利用率的实时数据。 RFID阅读器战略性地放置在整个网络中,不断捕获这些数据,这些数据由集中控制器使用定制设计的优化算法进行处理。 该算法动态管理关键网络资源,包括频谱分配、负载平衡和能耗,确保在不同网络条件下的高效运行。 进行了模拟,以评估基于RFID的模型与传统4G动态资源分配技术的性能。 结果显示,关键绩效指标有了实质性改进。
在极端工作条件下,以高粒子倍增性和严重重叠的淋浴能量沉积为特征,经典的粒子流算法在分辨率、效率和准确性方面遇到明显的限制。 为了应对这一挑战,本文提出并系统地评估了一个深度学习重建框架:对于多通道稀疏特性,我们设计了一个混合损失函数,将加权均方误差与结构相似性指数相结合,有效地平衡了像素级精度和结构保真度。 通过将3D卷积,挤压和激发通道注意力和偏移自移模块集成到基线卷积神经网络中,我们增强了模型捕获跨模态时空相关性和能量位移非线性的能力。 在自定义构建的模拟数据和Pythia喷气数据集上验证,该框架的90K参数轻量级变体接近5M参数基线的性能,而25M参数3D模型在插值和外推任务中实现了最先进的结果。 综合实验定量评估组件贡献,并提供性能参数权衡指南。 所有核心代码和数据处理脚本都开源在GitHub存储库上,以促进社区可重复性和扩展性。
在这项工作中,我们制造并研究了两种用于群体机器人的全向视觉传感器的设计,这些设计基于由具有旋转对称性的镜面,八个离散红外光电二极管和单个LED组成的双极子系统,以便为移动机器人代理提供本地化和导航能力。 我们考虑了光电二极管的两个安排:一个它们向上指向镜子,一个它们向外指向,垂直于镜子。 为了确定哪种设计在平面上提供了更好的视野,以及检测两个代理之间的距离和方向,我们开发了一种具有三个自由度的测试导轨,以实验和系统地测量给定传感器的光电二极管(在一次读数中)从另一个作为距离和方向函数的光发出的光中记录的信号。 之后,我们处理和分析实验数据,以开发每个设计中光电二极管的平均响应的数学模型。 最后,通过数值倒置模型,我们比较了两种设计的准确性。 我们的结果表明,光电二极管向上指向的设计可以更好地解决距离,而另一个则更好地解决发射剂的方向,两者都提供了全方位的视野。
在高能物理学中,大型强子对撞机不断增加的光度和探测器粒度正在推动对更高效的数据处理解决方案的需求。 机器学习已经成为重建带电粒子轨道的有前途的工具,因为它具有潜在的线性计算缩放和探测器命中。 最近,在GPU上LHCb实验的第一级触发器中实现了基于图形神经网络的轨道重建管道,作为高能物理背景下计算架构之间的比较研究的平台。 本文介绍了 FPGA 和 GPU 之间 ML 模型推理的吞吐量的新比较,重点关注了多层感知器的轨道重建管道x2013an 实现的第一步。 使用HLS4ML进行FPGA部署,我们将其性能与GPU实现进行基准测试,并展示FPGA在高通量,低延迟推理方面的潜力,而无需在FPGA开发方面的专业知识,同时消耗的功率显着降低。
PET是一种功能性成像方法,可可视化代谢过程。 TOF信息可以从巧合的探测器信号中导出,并纳入图像重建,以增强SNR。 PET探测器通常由其CTR进行评估,但时间性能因各种因素而降低。 关于定时校准的研究旨在减轻这些退化并恢复准确的计时信息。 虽然许多校准方法使用分析方法,但机器学习技术最近因其灵活性而获得了关注。 我们开发了一种基于物理的残余校准方法,将先前的领域知识与机器学习模型的力量相结合。 这种方法从初始分析校准开始,解决一阶斜线。 剩余的偏差,被视为残余效应,用于训练机器学习模型以消除高阶偏斜。 关键的优势是实验者通过定义定时残差来指导学习过程。 在早期的研究中,我们开发了直接预测预期时差的模型,该模型仅隐式地提供校正(隐式校正模型)。 在这项研究中,我们引入了对时间残差的新定义,使我们能够训练直接预测校正值的模型(显式校正模型)。 显式校正方法显著简化了数据采集,提高了线性度,并将时间从 430 keV 到 590 keV 的巧合从 371 ± 6 ps 到 281 ± 5 ps 提高了计时性能。 此外,新定义减少了模型尺寸,使其适用于PET扫描仪等高通量应用。 使用两个由4×4 LYSO:Ce,Ca晶体(3.8×20mm^3)耦合到4×4 Broadcom NUV-MT SiPM的探测器堆栈进行了实验,并与TOFPET2 ASIC进行了数字化。
本文介绍了使用用成像传感器读取的闪烁纤维进行粒子轨道识别的基于AI的粒子轨道识别方法的开发和应用。 我们建议使用变频自动解码器(VAE),以有效地过滤和识别来自SPAD阵列传感器生成的实质性数据中包含信号的帧。 我们的VAE模型在纯背景帧上训练,展示了将包含粒子轨道的帧与背景噪声区分开来的高能力。 基于VAE的异常检测的性能通过实验数据进行了验证,证明了该方法在快速处理时间下有效识别相关事件的能力,这表明作为硬件上快速推理工具的部署前景良好,用于实时异常检测。 这项工作突出了将先进的传感器技术与机器学习技术相结合以增强粒子检测和跟踪的潜力。
No more items to load.