[論文レビュー] Graph Generative Models for Fast Detector Simulations in High Energy Physics

A. Hariri, Darya Dyachkova+1 more|arXiv (Cornell University)|Apr 5, 2021

Particle physics theoretical and experimental studies参考文献 54被引用数 11

ひとこと要約

この論文では、高エネルギー物理学における粒子検出器応答の高速かつ高精度なシミュレーションのためのグラフ変分オートエンコーダー（GVAE）を提案する。検出器のヒットをグラフとしてモデル化し、空間的畳み込みとミンカットプーリングを活用することで、GVAEはコンactな潜在表現を学習し、現実的なカリオメータおよびトラックの堆積を生成する。4つのGPUで2.73倍の高速化を達成しながらも、物理的精度を保持した、マルチGPUでの効率的なトレーニングが可能である。

ABSTRACT

Accurate and fast simulation of particle physics processes is crucial for the high-energy physics community. Simulating particle interactions with detectors is both time consuming and computationally expensive. With the proton-proton collision energy of 13 TeV, the Large Hadron Collider is uniquely positioned to detect and measure the rare phenomena that can shape our knowledge of new interactions. The High-Luminosity Large Hadron Collider (HL-LHC) upgrade will put a significant strain on the computing infrastructure due to increased event rate and levels of pile-up. Simulation of high-energy physics collisions needs to be significantly faster without sacrificing the physics accuracy. Machine learning approaches can offer faster solutions, while maintaining a high level of fidelity. We discuss a graph generative model that provides effective reconstruction of LHC events, paving the way for full detector level fast simulation for HL-LHC.

研究の動機と目的

• HL-LHCにおけるピルアップとイベントレートの増加に伴い増大するフル検出器シミュレーションの計算負荷に対処する。
• 従来のパラメータ化または簡略化モデルと比較して、高い物理的忠実度を維持する高速シミュレーション手法を開発する。
• グラフベースのディープジェネレーティブモデリングを用いて、カリオメータの堆積およびトラックの現実的な表現を学習することで、フル検出器レベルのシミュレーションを実現する。
• 将来の大規模な高エネルギー物理学シミュレーションを支援するため、マルチGPUシステムにおけるスケーラブルなトレーニングパフォーマンスを達成する。
• 複雑な検出器応答パターンを捉える一方で、推論において計算的に効率的なジェネレーティブモデルを提供する。

提案手法

• 検出器のヒットをノードとし、空間的近接性がエッジを定義するグラフとして、粒子衝突イベントを表現する。
• 潜在空間における検出器ヒット間の局所的相互作用を、グラフ畳み込み層を用いて符号化する。
• ミンカットプーリングを用いて、グラフを階層的に圧縮し、潜在表現に顕著な特徴を保持する。
• 再パラメータ化トリックを用いた変分オートエンコーダーをトレーニングすることで、微分可能なサンプリングとエンドツーエンド最適化を可能にする。
• デコーダーを用いて潜在ベクトルを復元し、学習された分布からフル検出器レベルのイベントを生成する。
• Horovodを介した複数GPUにおける分散データ並列処理と、FP16を用いた混合精度トレーニングを最適化に用いる。

実験結果

リサーチクエスチョン

• RQ1 グラフベースの変分オートエンコーダーは、高エネルギー物理学のイベントに対して、現実的な検出器レベルの応答を効果的に学習・生成できるか？
• RQ2 GVAEは、フルシミュレーションやDelphesのようなパラメータ化モデルと比較して、どの程度物理的忠実度を維持できるか？
• RQ3 GVAEトレーニングパイプラインは複数GPUにスケーリング可能か？また、ほぼ線形の高速化を達成できるか？
• RQ4 学習された潜在空間は、シャワー形状やピルアップ効果といった複雑な検出器応答パターンをどの程度捉えることができるか？
• RQ5 モデルは未観測のイベントトポロジーにも一般化可能であり、高速シミュレーションに適した低遅延推論を維持できるか？

主な発見

• GVAEモデルは、2GPUから4GPUにスケーリングした際、トレーニング時間を2.73倍高速化し、優れたマルチGPUスケーラビリティを示した。
• CPU最適化とGPU処理前のデータローディングの改善により、トレーニング時間を50%短縮した。
• NVIDIAのAMPライブラリを用いた混合精度トレーニングにより、計算を高速化し、メモリ使用量を削減したが、モデルの正確性に影響を与えない。
• GVAEは、カリオメータの堆積およびトラックを含む、フル検出器レベルのイベントを高い忠実度で再構成することに成功した。
• グラフ畳み込みとミンカットプーリングの併用により、検出器ヒットの空間的および関係的構造を効果的にモデル化できた。
• 単一のフォワードパスによる効率的な推論をサポートしており、HEPワークフローにおける高速シミュレーションに適している。