Optimizing the throughput of the ATLAS Geant4 detector simulation

Benjamin J. Morgan; John Apostolakis; Marilena Bandieramonte; J. D. Chapman; Michael Duehrssen-Debling; Julien Esseiva; W. H. Hopkins; D. W. Kim; J. Schaarschmidt; C. Marcon; Nitika Nitika; Mihály Novák; M. A. Schmidt; E. Tcherniaev; Rui Zhang

doi:10.1051/epjconf/202533701351

학술저널 cc-by Full-text

저자정보: Benjamin J. Morgan John Apostolakis Marilena Bandieramonte J. D. Chapman Michael Duehrssen-Debling Julien Esseiva W. H. Hopkins D. W. Kim J. Schaarschmidt C. Marcon Nitika Nitika Mihály Novák M. A. Schmidt E. Tcherniaev Rui Zhang

출처: EDP Sciences EPJ Web of Conferences 337

오류 신고하기

피인용 0

검색

초록·키워드

For Run 3 at the Large Hadron Collider the Monte Carlo Detector Simulation performed with Geant4 (Full Simulation) within the ATLAS experiment has undergone significant improvements to enhance its computational performance and overall efficiency. Here we provide an overview of the physics and technical optimizations implemented in the ATLAS Full Simulation for Run 3. Notable physics developments include use of Geant4’s range cuts and G4GammaGeneralProcess for gammas, and variance reduction techniques such as neutron/photon Russian Roulette, and Woodcock Tracking in the Electromagnetic Endcap Calorimeter (EMEC). Technical developments include optimizations of the geometric representation of the particularly complex EMEC detector to assist navigation, tailored switch-off of the magnetic field, and use of static linking and Link-Time Optimization within a single shared library. These enhancements collectively resulted in a major achievement, increasing the throughput of the simulation by a factor of 2 compared to the baseline simulation configuration used in Run 2. Further optimizations are under development, and we provide an overview of this continuing programme covering both near and longer term features.

#Detector #Variance reduction #Monte Carlo method #Atlas (anatomy) #Throughput #Large Hadron Collider #ATLAS experiment

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록·키워드

참고문헌

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

댓글(0)