CaloMan：基于学习流形密度估计的量热器簇射快速生成
高能物理 - 唯象学
2022-11-29 v1 机器学习
高能物理 - 实验
数据分析、统计与概率
仪器与探测器
摘要
大型强子对撞机上的精确测量和新物理探索需要对探测器内粒子传播和相互作用进行高效模拟。计算开销最大的模拟涉及量热器簇射。深度生成模型的进展——尤其是在高维数据领域——为生成逼真的量热器簇射提供了可能，其速度比基于物理的模拟快数个数量级。然而，簇射的高维表示掩盖了其背后物理定律的相对简单性和结构性。这一现象是机器学习中流形假设的又一例证，该假设指出高维数据由低维流形支撑。因此，我们提出首先通过学习量热器簇射的流形结构，然后估计数据在该流形上的密度来对其进行建模。学习流形结构降低了数据的维度，与竞争方法相比，这使得快速训练和生成成为可能。
引用
@article{arxiv.2211.15380,
title = {CaloMan: Fast generation of calorimeter showers with density estimation on learned manifolds},
author = {Jesse C. Cresswell and Brendan Leigh Ross and Gabriel Loaiza-Ganem and Humberto Reyes-Gonzalez and Marco Letizia and Anthony L. Caterini},
journal= {arXiv preprint arXiv:2211.15380},
year = {2022}
}
备注
Accepted to the Machine Learning and the Physical Sciences Workshop at NeurIPS 2022