[論文レビュー] Calorimeter shower superresolution

Ian Pang, J. A. Raine+1 more|arXiv (Cornell University)|Aug 22, 2023

Particle physics theoretical and experimental studies参考文献 86被引用数 4

ひとこと要約

SuperCaloは、粗いコリメーターショーインを高分解能の細かいショーワインに効率的にアップサンプリングする流れベースのスーパーサンプル化モデルを導入しており、計算コストと生成時間を著しく削減しながら、高忠実度と多様性を維持している。本手法は、粗いボクセル入力に対して細かいボクセルの条件付き密度を学習することで、CaloChallenge 2022 データセット2において最先端の性能を達成し、スケーラビリティと忠実度が向上している。

ABSTRACT

Calorimeter shower simulation is a major bottleneck in the Large Hadron Collider computational pipeline. There have been recent efforts to employ deep-generative surrogate models to overcome this challenge. However, many of best performing models have training and generation times that do not scale well to high-dimensional calorimeter showers. In this work, we introduce SuperCalo, a flow-based superresolution model, and demonstrate that high-dimensional fine-grained calorimeter showers can be quickly upsampled from coarse-grained showers. This novel approach presents a way to reduce computational cost, memory requirements and generation time associated with fast calorimeter simulation models. Additionally, we show that the showers upsampled by SuperCalo possess a high degree of variation. This allows a large number of high-dimensional calorimeter showers to be upsampled from much fewer coarse showers with high-fidelity, which results in additional reduction in generation time.

研究の動機と目的

• 高エネルギー物理学のシミュレーションにおける計算ボトル neck を解消するために、コリメーターショーイン生成を高速化すること。
• 高次元データに対してエンドツーエンドで訓練せずに、スケーラブルで微分可能なスーパーサンプル化フレームワークを構築し、粗いショーワインを細かい解像度にアップサンプリングすること。
• 少ない数の粗いショーワインから条件付きスーパーサンプル化関数を学習することで、メモリと生成時間を削減し、高忠実度を維持すること。
• 確率的モデリングを用いて、限られた数の粗い入力から多様性があり高忠実度の細かいショーワインを生成すること。
• 高次元コリメーターショーインシミュレーションにおいて、直接的生成モデリングよりもスーパーサンプル化の実現可能性と優位性を示すこと。

提案手法

• SuperCaloは正規化フローを用いて、$ p(\vec{E}_{\text{fine}}|\vec{E}_{\text{coarse}}) $ の条件付き確率をモデル化し、単純な事前分布から複雑な細かいショーワインエネルギー分布への双方向変換を学習する。
• モデルは粗いボクセルエネルギー、その空間的位置、および隣接する粗いエネルギーを条件として用い、各粗いボクセルごとに局所的かつ独立してアップサンプリングを実行する。
• 主なイノベーションは、粗い表現を入力とし、粗い特徴に条件づけられた流れベースのモデルによって細かい出力を生成することで、高次元の直接モデリングを回避することにある。
• 前処理にはロジット変換とノイズ注入を用い、スパarsなゼロ支配のエネルギー分布における訓練の安定化を図る。
• 空間一般化を向上させるために、ワンホットエンコードされた粗いレイヤーとr-binラベルを条件入力として使用する。
• 推論時には、学習済みの条件付き分布からのサンプリングにより、1つの粗い入力から複数の多様な細かいショーワインを生成する。

Figure 3: Plot of AUC scores for classifier trained on voxel energies from single layer (blue), two adjacent layers (red) and three adjacent layers (green). The horizontal axis indicates the layer number of the first layer’s voxels that the classifier was trained on. For the final layer (45) the pre

実験結果

リサーチクエスチョン

• RQ1 正規化フローに基づくスーパーサンプル化技術は、高忠実度で高分解能の細かいショーワインに粗いコリメーターショーインをアップサンプリングするのに効果的か？
• RQ2 直接的な高次元ショーワインのエンドツーエンド生成モデリングと比較して、提案されたSuperCaloフレームワークは計算コストと生成時間を削減するか？
• RQ3 少ない数の粗いショーワインを用いて、確率的アップサンプリングにより多数の高忠実度の細かいショーワインを生成できる程度はどの程度か？
• RQ4 粗いボクセル化の選択が、スーパーサンプル化モデルの性能と一般化能力に与える影響は何か？
• RQ5 モデルは現実的なショーワインの形状とエネルギー堆積パターンを保持しながら、高速かつスケーラブルな推論を可能にするか？

主な発見

• SuperCaloは、粗い入力から細かいコリメーターショーインを高忠実度で再構成でき、分類器ベースの指標により、参照のGEANT4シミュレーションと強い分布的類似性を示している。
• モデルは1つの粗い入力から多様で高忠実度のショーワインを生成でき、大規模な粗い訓練データの必要性を低減している。
• 高次元生成モデルと比較して生成時間が著しく短縮されており、粗いから細かいへのパラダイムによって推論の高速化が実現されている。
• 流れベースモデリングの使用により、正確な尤度計算と安定した訓練が可能となり、スパースでゼロが多様なエネルギー分布に対しても有効である。
• 異なる粗いボクセル化スキームにおいても性能が安定しており、未学習の入射エネルギーとショーワイントポロジーに対しても強い一般化能力を示している。
• 分類器ベースの評価では、生成されたショーワインが低レベルおよび高レベルの特徴において、参照ショーワインと統計的に区別できないことが確認され、高忠実度の出力が裏付けられている。

Figure 4: Histograms of the $\rho$ distribution for inner, middle and outer coarse radial bins (from left to right). Distribution of Geant 4 data is shown in gray, and that of SuperCalo $A$ ( $B$ ) as red (blue) lines. See text for definition of $\rho$ .