基于消息传递生成对抗网络的粒子云生成
机器学习
2022-01-24 v3 高能物理 - 实验
摘要
在高能物理(HEP)中，喷注是在粒子碰撞（如CERN大型强子对撞机(LHC)中的碰撞）中普遍产生的相关粒子集合。基于机器学习(ML)的生成模型，如生成对抗网络(GANs)，有潜力显著加速LHC喷注模拟。然而，尽管喷注在动量空间中作为一组粒子（即粒子云）具有自然表示，目前尚无应用于此类数据集的生成模型。本工作中，我们引入一个新的粒子云数据集(JetNet)，并将现有点云GANs应用于它。结果使用以下方式评估：(1) 高、低层特征分布间的1-Wasserstein距离，(2) 新开发的Fr\'{e}chet ParticleNet距离，(3) 覆盖度以及(4) 最小匹配距离度量。现有GANs被发现不足以用于物理应用，因此我们开发了新的消息传递GAN(MPGAN)，其在几乎所有度量上均优于现有点云GANs，并展现出在HEP中使用的前景。我们提出JetNet作为ML社区可实验的新型点云风格数据集，并将MPGAN设为未来生成模型需超越的基准。此外，为促进该领域研究并提升可及性与可复现性，我们发布了开源JetNet Python包，提供粒子云数据集接口、评估与损失度量实现，以及更多HEP中ML开发工具。
引用
@article{arxiv.2106.11535,
title = {Particle Cloud Generation with Message Passing Generative Adversarial Networks},
author = {Raghav Kansal and Javier Duarte and Hao Su and Breno Orzari and Thiago Tomei and Maurizio Pierini and Mary Touranakou and Jean-Roch Vlimant and Dimitrios Gunopulos},
journal= {arXiv preprint arXiv:2106.11535},
year = {2022}
}
备注
14 pages, 4 figures, 2 tables, and an 8 page appendix. Accepted to the Thirty-fifth Conference on Neural Information Processing Systems