基于 Flow Matching 和生成器过采样的粒子物理事件端到端模拟

高能物理碰撞事件的模拟是当前和未来粒子加速器数据分析的关键要素。将模拟预测与数据进行比较，可以寻找可能由此前未观察到的新现象引起的罕见偏差。我们表明，新型机器学习算法，特别是 Normalizing Flows 和 Flow Matching，可用于复制传统方法的准确模拟，并带来数个数量级的加速。经典模拟链从感兴趣的物理过程开始，计算粒子的能量沉积和电子学响应，最后采用与数据处理相同的重建算法。最终，数据被缩减为某种高级分析格式。相反，我们提出了一种端到端方法，直接从物理生成器输入模拟最终数据格式，跳过任何中间步骤。我们使用粒子射流模拟作为基准，比较了离散和连续 Normalizing Flows 模型。模型通过各种指标进行了验证，以确定最准确的模型。我们讨论了性能随训练数据增加的扩展性，以及这些模型在与训练过程不同的物理过程上的泛化能力。我们研究了从相同的物理生成器输入中进行多次采样，我们将此过程命名为过采样，并表明它可以有效减少数据集的统计不确定性。发现这类机器学习算法能够学习预期的探测器响应，而独立于物理输入过程。它们的速度和准确性，加上训练过程的稳定性，使其成为满足当前和未来实验需求的极具吸引力的工具。