[論文レビュー] Generative Networks for Precision Enthusiasts

Anja Butter, Theo Heimel+5 more|arXiv (Cornell University)|Oct 22, 2021

Computational Physics and Python Applications被引用数 30

ひとこと要約

この論文は、精度INNベースのLHCイベントジェネレータ（DiscFlow）を開発し、運動学分布のpercent-levelの精度を達成する。識別器とベイズ/条件付き不確実性コントロールを用いた訓練戦略を導入する。

ABSTRACT

Generative networks are opening new avenues in fast event generation for the LHC. We show how generative flow networks can reach percent-level precision for kinematic distributions, how they can be trained jointly with a discriminator, and how this discriminator improves the generation. Our joint training relies on a novel coupling of the two networks which does not require a Nash equilibrium. We then estimate the generation uncertainties through a Bayesian network setup and through conditional data augmentation, while the discriminator ensures that there are no systematic inconsistencies compared to the training data.

研究の動機と目的

• 最終状態多重度が変動するZ+jets事象に対して、学習された位相空間密度のpercent-level精度を示す。
• トレーニングデータとの一貫性を高めるため、INNジェネレータを識別器と共同で訓練する方法を示す。
• 残存不確実性を定量化・制御するため、Bayesian INNと条件付き増強を用いた不確実性推定機構を導入する。
• Nash平衡に依存せず、制御されたリウェイトと共同訓練を可能にするDiscFlowアーキテクチャを開発する。）
• method:[

提案手法

• 潜在空間から位相空間観測量へ写像する正規化フローベースの可逆ニューラルネットワーク（cINN）を用い、pp -> Z(mu mu)+jetsの事象を対象とする。
• ジェット数に基づく条件付けと多重度特化のサブネットワークを追加することで、最終状態の次元可変性を扱う。
• 三次スプライン結合ブロックを適用して複雑な位相空間パターンを効率的に学習し、運動量観測量での条件付けを含める。
• 識別器（DiscFlow）を導入してジェネレータをリウェイトまたは共同訓練し、Delta RやZ質量などの分布をpercent-levelの精度へ改善する。
• ネットワークウェイト分布をサンプルすることで位相空間上の不確実性マップを抽出するBayesian INN（BINN）を実装する。
• 条件付き増強と識別器ベースのリウェイトを活用して理論的不確実性/系統的不確実性を制御する。）

Figure 2: Jet-jet correlations for events with two jets. We show truth (left) and INN-generated events (right).

実験結果

リサーチクエスチョン

• RQ1 正規化フローINNジェネレータは、LHC様のZ+jets位相空間分布をpercent-levelの精度で再現できるか？
• RQ2 識別器ベースのリウェイトと共同DiscFlow訓練は、標準的なINNの性能を超える難易度の高い運動量特徴を改善するか？
• RQ3 Bayesianおよび条件付き増強技術を用いて生成イベントの不確実性を定量化・制御する方法は？
• RQ4 対立的訓練においてNash平衡を必要とせず、生成イベントを訓練データと一貫して整合させることができるか？

主な発見

• INNベースのジェネレータは、Z+1、Z+2、Z+3ジェット分布を、バルク位相空間領域と訓練統計の期待値内でpercent-levelの精度で再現する。
• 識別器によるリウェイトは、難易度の高い分布（例: ジェット間のDelta R、Z質量）をベースラインINNより改善するが、重み付きイベントを生む。
• 共同DiscFlow訓練は、Nash平衡に依らず、リウェイト結果と同等の高精度な分布を、重み付けなしで達成できる。
• Bayesian INNは、ウェイト分布のサンプリングとイベント数を組み合わせて位相空間の不確実性マップを提供する。
• 条件付き増強は、生成系フレームワーク内で系統的/理論的不確実性を表現する道を提供する。）

Figure 3: Left: $\Delta R_{j_{1}j_{2}}$ -distribution for $Z+2$ jets events before and after the transformation of Eq.( 9 ). Right: histogram of the weights of the generated events.