基于生成对抗网络的高粒度量能器快速模拟
仪器与探测器
2021-09-16 v1 高能物理 - 实验
摘要
我们提出3DGAN，用于将未来高粒度量能器的输出作为三维图像进行模拟。我们证明了生成对抗网络（GANs）在生成科学数据方面的有效性，同时在较大范围的输入变量上保持多种度量指标的高精度。我们展示了迁移学习概念的成功应用：我们先训练网络模拟初能范围缩减的电子簇射，再进一步训练以覆盖五倍更大的能量范围（模型无法直接训练更大范围）。同一概念被扩展用于生成其他粒子（光子和中性π介子）的簇射，这些粒子主要通过电磁相互作用沉积能量。此外，我们还探索了带电π介子簇射的生成，若要更精确地实现则需来自其他探测器的额外数据，这不在当前工作范围内。我们的另一贡献是展示了将GAN生成数据用于实际应用。我们使用GAN生成的数据训练第三方网络，并证明其与使用蒙特卡洛模拟数据训练的网络响应相似。GAN生成的簇射在多种物理特征上相对于蒙特卡洛的精度在以内，且实现了三个数量级的加速。通过分布式训练可进一步提升训练与推理的加速效果。
引用
@article{arxiv.2109.07388,
title = {Fast Simulation of a High Granularity Calorimeter by Generative Adversarial Networks},
author = {Gul Rukh Khattak and Sofia Vallecorsa and Federico Carminati and Gul Muhammad Khan},
journal= {arXiv preprint arXiv:2109.07388},
year = {2021}
}