[論文レビュー] New directions for surrogate models and differentiable programming for High Energy Physics detector simulation

Andreas Adelmann, W. H. Hopkins+9 more|arXiv (Cornell University)|Mar 15, 2022

Simulation Techniques and Applications被引用数 23

ひとこと要約

本論文は、Cal oFlowを含む高エネルギー物理学（HEP）検出器シミュレーションの加速のための代替モデルと微分可能プログラミングアプローチを概観し、課題と将来の方向性について論じる。

ABSTRACT

The computational cost for high energy physics detector simulation in future experimental facilities is going to exceed the current available resources. To overcome this challenge, new ideas on surrogate models using machine learning methods are being explored to replace computationally expensive components. Additionally, differentiable programming has been proposed as a complementary approach, providing controllable and scalable simulation routines. In this document, new and ongoing efforts for surrogate models and differential programming applied to detector simulation are discussed in the context of the 2021 Particle Physics Community Planning Exercise (`Snowmass').

研究の動機と目的

• 未来のHEP実験における計算ニーズの増大に対応するため、検出器シミュレーションをより高速化する必要性を動機づける。
• surrogate-modelアプローチ（GANs、VAEs、normalizing flows）とGeant4ベースのシミュレーションを置換または補完するための refinement 戦略をレビューする。
• 自動微分機能を備えた微分可能プログラミングを、シミュレーションと推論ワークフローに勾配と物理知識を組み込むフレームワークとして紹介する。
• カロリメーターのシミュレーションにおける進行中のプロジェクトとユースケースを示し、忠実度と速度のトレードオフを実証する。
• 将来の方向性、協働フレームワーク、および枠組み統合を通じて、代替手法を実験間でスケールさせる方法を議論する。

提案手法

• 代替モデル戦略を、完全生成モデルと refinement 技術に分類する。
• 3つの主要な生成ファミリを詳述する：GANs、VAEs、および normalizing flows、訓練目的とトレードオフの議論を含む。
• 微分可能プログラミングを勾配自動微分対応のシミュレーション設計として説明し、それを機械学習代替モデルと統合する。
• ML補正および密度比再重み付けを介してGeant4カロリメーターシミュレーションを加速する方法を説明する。
• CaloFlow（normalizing flows）を二段階の尤度ベースのカロリメーター showerモデルとして提示し、CaloGANと比較する。
• サロゲートモデルを、グラフ依存性や幾何形状に左右されない広範な検出器シミュレーションへ統合する方法を議論する。）

実験結果

リサーチクエスチョン

• RQ1 surrogateモデルはどのように検出器シミュレーションを加速し、HEP解析の忠実度を保つことができるか？
• RQ2 GANs、VAEs、normalizing flowsのうち、カロリメーター shower生成についての相対的な長所と制限は何か？
• RQ3 微分可能プログラミングは、検出器シミュレーションにおける物理に基づく最適化と推論をどのように可能にするか？
• RQ4 代替モデルを大規模な協力体制や既存のGeant4ワークフローに統合する現実的な道筋は何か？

主な発見

• 正規化フロー（CaloFlow）は高忠実度のカロリメーター showerを達成でき、大規模生成においてGANベースのアプローチより高速な場合がある。
• CaloFlow v2はv1に比べ忠実度が向上し、いくつかの指標でGeant4様の分布に近づき、生成速度はGANと同程度を維持する。
• リウェイト付け/条件付け戦略とピクセル単位の回帰は、スピード最適化されたシミュレーションを名目上のGeant4結果へ修正できるが、統計的パワーにトレードオフが生じる。
• 代替モデルは、現実的で非常に粒度の高いカロリメーター（数百万のチャネル）や不規則な幾何に課題を抱え、グラフベースやグリッド非依存のアーキテクチャが必要であることを示唆する。
• 二段階のNFアプローチは、層ごとのエネルギー分布とボクセルレベルのシャワー形状をモデリングでき、カロリメーターのスケーラブルな生成を可能にする。
• 微分可能プログラミングは検出器コンポーネントの勾配ベース最適化を可能にし、シミュレーションパイプラインに統合された物理情報付きMLをサポートする。