[論文レビュー] Design of Detectors at the Electron Ion Collider with Artificial Intelligence

C. Fanelli|arXiv (Cornell University)|Mar 9, 2022

Particle Detector Development and Performance参考文献 34被引用数 7

ひとこと要約

本論文は、電子陽イオン衝突加速器（EIC）の検出器設計において、高次元で計算が高コストかつ複数の相反する目的を伴う特性を有する問題に対処するため、人工知能（AI）—特にベイズ最適化や多目的遺伝的アルゴリズム（MOGA）といった多目的最適化手法—を用いることを提案する。ECCEトラッカー系およびチェレンコフ検出器用の強化アエログェル材料の最適化に成功し、10次元の設計空間においてN=100、O=30で効率的なパレートフロントの近似を達成した。

ABSTRACT

Artificial Intelligence (AI) for design is a relatively new but active area of research across many disciplines. Surprisingly when it comes to designing detectors with AI this is an area at its infancy. The Electron Ion Collider is the ultimate machine to study the strong force. The EIC is a large-scale experiment with an integrated detector that extends for about $\pm$35 meters to include the central, far-forward, and far-backward regions. The design of the central detector is made by multiple sub-detectors, each in principle characterized by a multidimensional design space and multiple design criteria also called objectives. Simulations with Geant4 are typically compute intensive, and the optimization of the detector design may include non-differentiable terms as well as noisy objectives. In this context, AI can offer state of the art solutions to solve complex combinatorial problems in an efficient way. In particular, one of the proto-collaborations, ECCE, has explored during the detector proposal the possibility of using multi-objective optimization to design the tracking system of the EIC detector. This document provides an overview of these techniques and recent progress made during the EIC detector proposal. Future high energy nuclear physics experiments can leverage AI-based strategies to design more efficient detectors by optimizing their performance driven by physics criteria and minimizing costs for their realization.

研究の動機と目的

• 本研究の目的は、高次元の設計空間と複数の相反する目的を伴うEIC向け大規模・マルチサブ検出器系の設計課題に取り組むことである。
• Geant4ベースのシミュレーションの計算負荷を軽減し、AIを活用して設計空間の効率的探索を促進することを目的としている。
• ECCEトラッカーなどの検出器サブシステムや、性能と機械的安定性の両方を向上させる新規アエログェルベースのチェレンコフ放射体の最適化を含む。
• 物理的駆動の目的を設計最適化プロセスに統合し、技術的性能指標にとどまらない、初期段階からの検出器性能の向上を図ることを目的としている。
• エクサスケールシステムへの高度なAI戦略の展開可能性を検討し、グローバル検出器最適化へのスケーリングを可能にする。

提案手法

• 本論文は、導関数を必要とせずグローバル最適化を実行できるベイズ最適化（BO）と多目的遺伝的アルゴリズム（MOGA）を用いて、検出器設計の最適化を実施している。
• 逐次的なワークフローを採用：設計パラメータを用いてGeant4で物理的イベントをシミュレートし、再構築されたイベントから性能指標（figures of merit）を算出し、AIモデルが次に評価するべき設計点を提案する。
• 強化アエログェルのような複雑な材料に対しては、Gmsh、ElmerSolver、Paraviewを用いた幾何形状定義、メッシュ生成、機械的安定性解析をGeant4シミュレーションと統合して処理している。
• シミュレーション制約や材料製造限界に起因するノイズが多く、微分不能な目的関数に対しても対応可能な最適化フレームワークを設計している。
• 単一目的（例：デュアル・リッチ検出器）および多目的（例：トラッカー、アエログェル）最適化問題の両方をサポートする。
• ソフトウェアスタックは、ハイパフォーマンスコンピューティングへの自動化と統合を可能としており、将来的にはeASTツールキットを介した異種ハードウェアのサポートを計画している。

実験結果

リサーチクエスチョン

• RQ1 AIベースの最適化は、高次元の設計空間を有する大規模検出器系の設計において、計算コストをどの程度低減できるか？
• RQ2 MOGA や MOBO といった多目的最適化手法は、EIC検出器サブシステムのパレートフロント近似において、どの程度の有効性を示すか？
• RQ3 AI戦略は、新規アエログェル材料において機械的安定性とチェレンコフ角分解能という相反する目的を、どのようにバランスさせることが可能か？
• RQ4 物理的駆動の目的を、検出器設計最適化プロセスにどのように組み込むことができるか？ これにより、初期段階から検出器性能を向上させられるか？
• RQ5 エクサスケールコンピューティングは、グローバル検出器設計への多目的最適化をスケーリングする上で、どのような役割を果たすか？

主な発見

• 3つの目的を伴う10次元の設計空間において、N=100の集団サイズとO=30の産出サイズで、パレートフロントの良好な近似が達成された。
• ベイズ最適化の適用により、デュアル・リッチ検出器を単一目的問題として最適化し、AIを用いた検出器設計の実現可能性を示した。
• 多目的遺伝的アルゴリズム（MOGA）は、ECCEトラッカー系の最適化に効果的に用いられ、複数の性能基準をバランスさせた。
• ランダムに配列された繊維で強化されたアエログェルタイルは、チェレンコフ分解能を維持したまま機械的安定性が向上し、安定性と分解能のトレードオフがMOOにより明確に捉えられた。
• Geant4、Gmsh、ElmerSolver、Paraviewを統合したソフトウェアスタックにより、強化アエログェル材料のエンドツーエンドのシミュレーションと最適化が可能になった。
• 本研究は、AIベースの戦略が複雑で計算コストの高い検出器系の最適化に不可欠であり、将来的なエクサスケールコンピューティングを活用することで、グローバル検出器最適化への応用が可能になると結論づけた。