基于几何感知自回归模型(GAAMs)泛化至新几何结构以实现快速量能器模拟
仪器与探测器
2023-11-16 v5 机器学习
高能物理 - 实验
高能物理 - 唯象学
数据分析、统计与概率
摘要
生成对碰撞产物的模拟探测器响应对于粒子物理中的数据分析至关重要，但计算开销极大。其中一个子探测器——量能器，因其单元的高粒度与相互作用的复杂性而占据了主要计算时间。生成模型能够提供更快速的样本生成，但目前需要大量工作来针对特定探测器几何优化性能，常常需要许多模型来描述变化的单元尺寸与排布，且无法泛化到其他几何结构。我们开发了一种自回归模型，其学习量能器响应随几何结构的变化规律，并能够在无需额外训练的情况下生成对未见几何结构的模拟响应。该几何感知模型在若干指标上优于无感知基线模型超过，例如生成分布与真实分布之间关键汇总量的Wasserstein距离。单一几何感知模型可取代目前由分析大型强子对撞机所采集数据的物理学家为量能器模拟设计的成百上千个生成模型。本概念验证研究推动了基础模型的设计，该模型将成为未来探测器研究的关键工具，大幅降低通常开发生成式量能器模型所需的大量前期投入。
引用
@article{arxiv.2305.11531,
title = {Generalizing to new geometries with Geometry-Aware Autoregressive Models (GAAMs) for fast calorimeter simulation},
author = {Junze Liu and Aishik Ghosh and Dylan Smith and Pierre Baldi and Daniel Whiteson},
journal= {arXiv preprint arXiv:2305.11531},
year = {2023}
}