[論文レビュー] CaloFlow: Fast and Accurate Generation of Calorimeter Showers with Normalizing Flows

Claudius Krause, David Shih|arXiv (Cornell University)|Jun 9, 2021

Computational Physics and Python Applications参考文献 65被引用数 38

ひとこと要約

CaloFlowはGeant4相当のカロリメータショーワをモデル化する2段階の正規化フロー枠組みを用い、高忠実度を達成し、定性的評価と新規の分類器ベースの指標の両方でCaloGANを上回る。

ABSTRACT

We introduce CaloFlow, a fast detector simulation framework based on normalizing flows. For the first time, we demonstrate that normalizing flows can reproduce many-channel calorimeter showers with extremely high fidelity, providing a fresh alternative to computationally expensive GEANT4 simulations, as well as other state-of-the-art fast simulation frameworks based on GANs and VAEs. Besides the usual histograms of physical features and images of calorimeter showers, we introduce a new metric for judging the quality of generative modeling: the performance of a classifier trained to differentiate real from generated images. We show that GAN-generated images can be identified by the classifier with nearly 100% accuracy, while images generated from CaloFlow are better able to fool the classifier. More broadly, normalizing flows offer several advantages compared to other state-of-the-art approaches (GANs and VAEs), including: tractable likelihoods; stable and convergent training; and principled model selection. Normalizing flows also provide a bijective mapping between data and the latent space, which could have other applications beyond simulation, for example, to detector unfolding.

研究の動機と目的

• Geant4のシミュレーションの代替として深層生成モデルを検討し、LHC様式のカロリメータのより高速な検出器シミュレーションを動機づける。
• 正規化フローが高次元のカロリメータショーワを高忠実度で再現できることを示す。
• エネルギー保存と意味のあるショーワ形状比較を保証するための2段階NFフレームワークを提案する。
• 生成されたカロリメータ画像のリアリズムを評価する新しい分類器ベースの指標を導入する。

提案手法

• Flow Iが入射エネルギーに条件づけられた層のエネルギー沈積の結合分布をモデル化する2フロー架構を採用し、エネルギー保存を保証する。
• Flow IIはFlow Iの出力に条件づけられた全層ごとのショーワ画像をモデル化し、層ごとに単位強度への正規化と、各層エネルギーによる再スケーリングを行う。
• 柔軟な密度推定を実現するために、NF変換としてRational Quadratic Splines（RQS）を用いたMADEブロックを使用する。
• エネルギーを単位正規化されたロジット空間に変換してデータを前処理し、ノイズ正則化を適用して疎なカロリメータ画像の訓練を安定化させる。
• Flow Iをエネルギー沈積の尤度最大化、Flow IIをショーワ画像の尤度最大化で訓練し、生成のために逐次サンプルを取る。

実験結果

リサーチクエスチョン

• RQ1 正規化フローはGeant4およびGANベースの手法と比較して、高次元のカロリメータショーワ分布を忠実に再現できるだろうか？
• RQ2 2フローのモジュラーアプローチは、単一のNFよりもエネルギー保存とショーワ形状のモデリングを改善するだろうか？
• RQ3 実画像と生成画像を識別するように訓練された分類器は、カロリメトリの生成モデル品質の堅牢な指標として機能するだろうか？
• RQ4 カロリメータシミュレーションにおける訓練安定性とモデル選択の観点で、GANに対するNFの実用的な利点は何か？

主な発見

• CaloFlowはGeant4に高忠実なカロリメータ画像を実現し、CaloGANより平均画像品質が優れ、GANに見られるモード崩壊を回避する。
• 新しい分類器ベースの指標は、CaloFlow画像がGeant4と識別されるのがCaloGAN画像より難しいことを示し、分布の整合性がより近いことを示唆する。
• エネルギー保存を行うFlow Iと形状学習のFlow IIを組み合わせた2フロー構成は、エネルギーと形状モデリングを分離し、より高い精度を得る堅牢な枠組みを提供する。
• Flow IIは層ごとの条件付けと単位正規化された層エネルギーを用い、3層のカロリメータ全体でショーワ形状の学習を改善する。
• ノイズ正則化とロジット空間前処理は、訓練を安定化させ、高次元のカロリメータデータにおける疎性の扱いを改善するために重要である。