基于互信息代理的端到端最优探测器设计
机器学习
2025-03-19 v1 高能物理 - 唯象学
摘要
我们提出了一种新颖的方法，用于基于局部深度学习（DL）代理的高能物理（HEP）探测器的端到端黑箱优化。这些代理模型逼近封装粒子-物质相互作用和物理分析目标之间复杂相互作用的标量目标函数。除了本领域常用的标准重建基准指标外，我们还研究了信息论指标——互信息。与传统方法不同，互信息本质上是任务中性的，提供了一种受限较少的优化范式。我们在真实的物理分析场景中展示了该方法的有效性：基于模拟粒子相互作用优化厚质探测器层的厚度。代理模型学习逼近目标梯度，从而实现对能量分辨率的有效优化。我们的发现揭示了三个关键见解：（1）使用局部代理进行端到端黑箱优化是一种实用且引人注目的探测器设计方法，能够直接针对物理分析目标对探测器参数进行优化；（2）基于互信息的优化yield设计选择与来自最先进physics-informed方法的选择相吻合，表明这些方法接近最优，强化了它们在HEP探测器设计中的可靠性；（3）信息论方法为优化科学仪器提供了强大、可泛化的框架。通过从信息论视角重新构建优化过程，而不是依赖特定于领域的启发式方法，互信息为超越传统方法的新发现之路提供了可能性。
引用
@article{arxiv.2503.14342,
title = {End-to-End Optimal Detector Design with Mutual Information Surrogates},
author = {Kinga Anna Wozniak and Stephen Mulligan and Jan Kieseler and Markus Klute and Francois Fleuret and Tobias Golling},
journal= {arXiv preprint arXiv:2503.14342},
year = {2025}
}