CALPAGAN：利用生成对抗网络（GANs）进行粒子量能学研究
CALPAGAN: Calorimetry for Particles using GANs
AI总结：
本研究提出CALPAGAN方法，将pix2pix概念适配到条件GAN中，以快速模拟量能器图像为条件生成接近全模拟的结果，在多项喷注可观测量上表现出强相关性，为高能物理高效模拟提供了新方向。
摘要：
本研究展示了一种新方法，该方法利用条件生成对抗网络（GANs），将快速模拟得到的量能器图像转换为与全面全模拟图像相近的结果。研究将pix2pix的概念适配到CALPAGAN中，以快速模拟生成的图像作为基础（条件），生成与详细模拟结果高度相似的输出。研究结果表明，生成的图像与全模拟图像之间存在强相关性，尤其是在关键可观测量方面，如喷注横动量分布、喷注质量、喷注亚结性和喷注围长。此外，本文还探讨了该方法的有效性及其固有局限性。这项研究是探索高能粒子物理中更高效模拟方法的重要一步。
英文摘要：
In this study, a novel approach is demonstrated for converting calorimeter images from fast simulations to those akin to comprehensive full simulations, utilizing conditional Generative Adversarial Networks (GANs). The concept of pix2pix is tailored for CALPAGAN, where images from fast simulations serve as the basis(condition) for generating outputs that closely resemble those from detailed simulations. The findings indicate a strong correlation between the generated images and those from full simulations, especially in terms of key observables like jet transverse momentum distribution, jet mass, jet subjettiness, and jet girth. Additionally, the paper explores the efficacy of this method and its intrinsic limitations. This research marks a significant step towards exploring more efficient simulation methodologies in High Energy Particle Physics.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
