EPiC-GAN：用于粒子喷注的等变点云生成
高能物理 - 唯象学
2023-10-04 v3 机器学习
高能物理 - 实验
数据分析、统计与概率
摘要
随着当前和未来高能对撞机实验巨大的数据收集能力，对计算高效模拟的需求日益增长。生成式机器学习模型能够实现快速事件生成，但迄今为止这些方法在很大程度上受限于固定的数据结构和刚性的探测器几何。在本文中，我们引入 EPiC-GAN——等变点云生成对抗网络（equivariant point cloud generative adversarial network）——其能够生成可变多重数的点云。这一灵活框架基于深度集（deep sets），非常适合于模拟称为喷注的粒子喷流。生成器和判别器利用多个 EPiC 层并带有一个可解释的全局潜向量。关键在于，EPiC 层不依赖于粒子间的两两信息共享，这相比具有更复杂关系图的基于图和基于 transformer 的方法带来了显著的速度提升。我们证明 EPiC-GAN 能很好地扩展到大型粒子多重数，并在基准喷注生成任务上实现高生成保真度。
引用
@article{arxiv.2301.08128,
title = {EPiC-GAN: Equivariant Point Cloud Generation for Particle Jets},
author = {Erik Buhmann and Gregor Kasieczka and Jesse Thaler},
journal= {arXiv preprint arXiv:2301.08128},
year = {2023}
}
备注
18 pages, 8 figures, 3 tables, code available at: https://github.com/uhh-pd-ml/EPiC-GAN