该研究提出了一种新颖的深度学习驱动聚类算法,采用了时空非局部可训练图构造器、图神经网络和集合转换器,通过粒子跟踪模拟展示了这一前沿人工智能方法的有效性。
该研究比较了图神经网络和基于核的变压器在高能电子-正电子碰撞的完全事件重建中的应用,证明两者在避免二次内存分配和计算成本方面具有优势。超参数调整显著改善了模型的物理性能,并展示了该模型在多种硬件处理器上具有高度可移植性。最终证明了该模型可以在高粒度输入上进行训练,获得与基线相竞争的物理性能。
该研究提出了一种新颖的深度学习驱动聚类算法,采用了时空非局部可训练图构造器、图神经网络和集合转换器,通过粒子跟踪模拟展示了这一前沿人工智能方法的有效性。
该研究比较了图神经网络和基于核的变压器在高能电子-正电子碰撞的完全事件重建中的应用,证明两者在避免二次内存分配和计算成本方面具有优势。超参数调整显著改善了模型的物理性能,并展示了该模型在多种硬件处理器上具有高度可移植性。最终证明了该模型可以在高粒度输入上进行训练,获得与基线相竞争的物理性能。