从无标签数据中学习模拟高能粒子碰撞
高能物理 - 唯象学
2022-07-07 v2 高能物理 - 实验
摘要
在许多依赖统计推断的科学领域中，模拟常被用来从理论模型映射到实验数据，使科学家能够将模型预测与实验结果进行检验。实验数据往往由间接测量重建，导致从理论模型到实验数据的整体变换难以用解析方法准确描述。因此，数值模拟被以巨大的计算代价使用。我们提出了基于最优传输的解折叠与模拟方法（OTUS），一种基于无监督机器学习的快速模拟器，能够从理论模型预测实验数据。在无需当前模拟信息的辅助下，OTUS 训练一个概率自编码器，直接在理论模型与实验数据之间进行变换。将概率自编码器的潜空间与理论模型空间等同，使得解码器网络成为一个快速、具有预测能力的模拟器，有望替代当前计算代价高昂的模拟器。在此，我们在 Z 玻色子和顶夸克衰变两个粒子物理实例上给出了原理验证结果，但强调 OTUS 可广泛应用于其他领域。
引用
@article{arxiv.2101.08944,
title = {Learning to Simulate High Energy Particle Collisions from Unlabeled Data},
author = {Jessica N. Howard and Stephan Mandt and Daniel Whiteson and Yibo Yang},
journal= {arXiv preprint arXiv:2101.08944},
year = {2022}
}
备注
Accepted by Scientific Reports; Changes: Updated title and abstract, rearranged order of sections, added section 4.2, Figure 2, supplementary ablation study, and supplementary figures 2-4; 32 pages, 12 figures, 4 tables