流匹配：更快的模拟器研究——零度热力学器响应
机器学习
2025-07-28 v1
摘要
近期进步，尤其是流匹配（flow matching, FM），使生成式神经网络能够在显著降低计算成本的同时生成高保真样本。这些模型的一个有前景的应用是加速高能物理（HEP）中的模拟，以帮助研究机构满足日益增长的计算需求。在本工作中，我们利用 FM 为 ALICE 实验中的零度热力学器开发快速模拟的替代模型。我们提出了一种有效的训练策略，使能够使用异常少量参数训练快速生成模型。该方法在 neutron (ZN) 和 proton (ZP) 检测器上实现了对仿真保真度的领先表现，同时在计算成本上显著优于现有方法。我们的 FM 模型在 ZN 模拟中实现 Wasserstein 距离为 1.27，推理时间为每样本 0.46 毫秒，而当前最佳为 1.20，推理时间约为 109 毫秒。latent FM 模型进一步提高了推理速度，将抽样时间缩短至每样本 0.026 毫秒，准确性几乎不变。同样，我们的方法在 ZP 模拟中实现 Wasserstein 距离为 1.30，优于当前最佳的 2.08。源代码可在 https://github.com/m-wojnar/faster_zdc 获取。
关键词
引用
@article{arxiv.2507.18811,
title = {Even Faster Simulations with Flow Matching: A Study of Zero Degree Calorimeter Responses},
author = {Maksymilian Wojnar},
journal= {arXiv preprint arXiv:2507.18811},
year = {2025}
}