Optimization of variance reduction techniques used in EGSnrc Monte Carlo Codes
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Monte Carlo (MC) simulations are often used in calculations of radiation transport to enable accurate prediction of radiation-dose, even though the computation is relatively time-consuming. In a typical MC simulation, significant computation time is allocated to following non-important events. To address this issue, variance reduction techniques (VRTs) have been suggested for reducing the statistical variance for the same computation time. Among the available MC simulation codes, electron gamma shower (National Research Council of Canada) (EGSnrc) is a general-purpose coupled electron-photon transport code that also features an even-handed, rich set of VRTs. The most well-known VRTs are the photon splitting, Russian roulette (RR), and photon cross-section enhancement (XCSE) techniques. The objective of this work was to determine the optimal combination of VRTs that increases the simulation speed and the efficiency of simulation, without compromising its accuracy. Selection of VRTs was performed using EGSnrc MC User codes, such as cavity and egs_chamber, for simulating various ion chamber geometries using 6 MV photon beams and 1.25 MeV<sup>60</sup>Co photon beams. The results show that the combination of XCSE and RR yields the highest efficiency for ion-chamber dose calculations inside a 30 cm × 30 cm × 30 cm water phantom. Hence, properly selecting a different VRT without altering the underlying physics increases the efficiency of MC simulations for ion-chamber dose calculation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle