面向高能物理模拟的生成对抗网络模型超参数优化
高能物理 - 实验
2022-12-26 v2 机器学习
计算物理
摘要
生成对抗网络（GAN）是一种强大且灵活的工具，能够通过学习生成高保真合成数据。它已在高能物理（HEP）事件模拟中得到诸多应用，包括模拟探测器响应与物理事件。然而，GAN的训练 notoriously 困难，而其超参数优化则更为艰难。通常需要进行大量试错训练尝试以迫使训练稳定并达到合理的保真度。为满足物理分析所需的精度，必须开展大量的调参工作。本工作使用与物理无关且对高性能计算机友好的超参数优化工具HYPPO，针对两个独立的高能物理数据集对GAN的超参数进行优化并考察其敏感性。本工作首次为大型强子对撞机数据的高效GAN调参提供了见解。我们表明，在适当的超参数调优下，可以找到能够高质量逼近目标量的GAN。我们还就如何使用HYPPO中的分析工具进行GAN架构调优提供了指导。
引用
@article{arxiv.2208.07715,
title = {Hyperparameter Optimization of Generative Adversarial Network Models for High-Energy Physics Simulations},
author = {Vincent Dumont and Xiangyang Ju and Juliane Mueller},
journal= {arXiv preprint arXiv:2208.07715},
year = {2022}
}
备注
Submitted to Computing and Software for Big Science (October 19, 2022)