CaloGAN：利用生成对抗网络模拟多层电磁量能器中的三维高能粒子簇射
高能物理 - 实验
2018-02-07 v1 机器学习
高能物理 - 唯象学
机器学习
摘要
对亚原子粒子相互作用及其在物质中传播的精确建模，对于核与粒子物理搜寻及精度测量的推进至关重要。在大型强子对撞机（LHC）上典型实验的模拟流程中，计算开销最昂贵的步骤是详细建模支配量能器内粒子簇射运动与演化的全部复杂物理过程。我们引入CaloGAN，一种基于生成对抗网络（GAN）的新快速模拟技术。我们将这些神经网络应用于纵向分段量能器中电磁簇射的建模，并实现了与现有完整模拟技术在CPU上相当或更好的加速因子（100×–1000×），在GPU上甚至更快（可达约10^5×）。在全部相空间中实现精度仍面临挑战，但我们的方案能够重现光子、正电子和带电π介子的一系列几何簇射形状性质。这代表着朝向下一代基于神经网络的探测器模拟的重要里程碑，可节省大量计算时间并赋能当下及未来的诸多分析。
引用
@article{arxiv.1712.10321,
title = {CaloGAN: Simulating 3D High Energy Particle Showers in Multi-Layer Electromagnetic Calorimeters with Generative Adversarial Networks},
author = {Michela Paganini and Luke de Oliveira and Benjamin Nachman},
journal= {arXiv preprint arXiv:1712.10321},
year = {2018}
}
备注
14 pages, 4 tables, 13 figures; version accepted by Physical Review D (PRD)