[論文レビュー] Generative Machine Learning for Detector Response Modeling with a Conditional Normalizing Flow

Allison Xu, S. Han+2 more|arXiv (Cornell University)|Mar 17, 2023

Particle physics theoretical and experimental studies被引用数 10

ひとこと要約

論文は条件付き正規化フロー（CNF）モデルを開発し、Higgs→diphoton イベントの検出器応答をシミュレートして、相関と非対称効果を捉え、コストが高い Monte Carlo シミュレーションの代替として機能させる。

ABSTRACT

In this paper, we explore the potential of generative machine learning models as an alternative to the computationally expensive Monte Carlo (MC) simulations commonly used by the Large Hadron Collider (LHC) experiments. Our objective is to develop a generative model capable of efficiently simulating detector responses for specific particle observables, focusing on the correlations between detector responses of different particles in the same event and accommodating asymmetric detector responses. We present a conditional normalizing flow model (CNF) based on a chain of Masked Autoregressive Flows, which effectively incorporates conditional variables and models high-dimensional density distributions. We assess the performance of the \cnf model using a simulated sample of Higgs boson decaying to diphoton events at the LHC. We create reconstruction-level observables using a smearing technique. We show that conditional normalizing flows can accurately model complex detector responses and their correlation. This method can potentially reduce the computational burden associated with generating large numbers of simulated events while ensuring that the generated events meet the requirements for data analyses.

研究の動機と目的

• expensive MC 検出器シミュレーションを特定の観測量の生成モデルアプローチに置換する動機づけ。
• イベント変数と粒子運動量に条件づけられた検出器応答を学習。
• 同じイベント内の複数粒子の検出器応答間の相関をモデル化。
• 単純なブレ幅技術を超える非対称な検出器応答分布を扱う。
• Higgs→diphoton 分析への適用性を実証し、他の検出器や観測量へ拡張する可能性。

提案手法

• Masked Autoregressive Flows（MAF）の連鎖と置換を用いた条件付き正規化フローを構築。
• CNFをパイルアップと真の粒子運動量で条件付けし、高次元の検出器応答分布をモデル化。
• ΔXとして6次元のターゲットを、2つの光子のE_T、η、φの検出器応答変数6つを6Dベース密度としてモデル化。
• 出力を[-1,1]にスケールし、tanh同値写像を適用して結果を範囲内に保つ。
• Adamを用いた500エポックで訓練し、べき乗則の学習率減衰を適用し、6つの検出器変数に対する平均 Wasserstein 距離を監視。
• データを80/10/10で訓練/検証/テストに分割し、平均WDの最小値で最良モデルを選択。

Figure 1 : The mean Wasserstein Distance (orange) and the minimum Wasserstein distance (blue) as a function of the training epochs for the baseline scenario. These quantities were evaluated on the validation sample.

実験結果

リサーチクエスチョン

• RQ1 CNNFはイベント変数に条件付けられた2つの光子の検出器応答の全結合分布を学習できるか？
• RQ2 CNFは光子検出器応答間の相関を再現し、非対称な検出器効果を扱えるか？
• RQ3 CNFはターゲットの検出器分解能および diphoton 質量と横方向運動量分布をどれくらい正確に近似するか？
• RQ4 複雑な依存性がある状況で従来のブレ幅法と比較して性能にどのような影響があるか？

主な発見

• ベースラインのシナリオではターゲットとCNF学習済み検出器分解能の良好な一致（<5%の不一致）。
• CNFは検出器レベルでの光子の運動量変数（E_T、η、φ）の分布を良好に再現。
• 相関シナリオにおいて、ρ = 0.5 および ρ = 1.0 に対する2光子間の相関をCNFが正確に捉える。
• 非対称な検出器応答シナリオでは、CNFが検出器応答分布の非対称的尾部を再現。
• CNFに整合した diphoton 不変質量と diphoton 系の p_T 分布が統計的精度内で再現。

Figure 2 : Target and generated photon resolutions $\sigma$ for photon kinematic variables $E_{\text{T}}$ , $\eta$ , and $\phi$ . The resolutions are shown as functions of the true values of photon $E_{\text{T}}$ and $\eta$ , and the event pile-up $\mu$ . The blue (orange) entries represent the targ