[論文レビュー] Refining Fast Calorimeter Simulations with a Schrödinger Bridge

Sascha Diefenbacher, V. M. Mikuni+1 more|arXiv (Cornell University)|Aug 23, 2023

Machine Learning in Materials Science被引用数 14

ひとこと要約

SQuIRELS は Schrödinger ブリッジを用いて高速カロリメータシミュレーション（GFlash）を Geant4 ベースの完全なシミュレーションへと洗練させ、基準真値との一致をより近づけつつ、計算時間を大幅に削減します。

ABSTRACT

Machine learning-based simulations, especially calorimeter simulations, are promising tools for approximating the precision of classical high energy physics simulations with a fraction of the generation time. Nearly all methods proposed so far learn neural networks that map a random variable with a known probability density, like a Gaussian, to realistic-looking events. In many cases, physics events are not close to Gaussian and so these neural networks have to learn a highly complex function. We study an alternative approach: Schrödinger bridge Quality Improvement via Refinement of Existing Lightweight Simulations (SQuIRELS). SQuIRELS leverages the power of diffusion-based neural networks and Schrödinger bridges to map between samples where the probability density is not known explicitly. We apply SQuIRELS to the task of refining a classical fast simulation to approximate a full classical simulation. On simulated calorimeter events, we find that SQuIRELS is able to reproduce highly non-trivial features of the full simulation with a fraction of the generation time.

研究の動機と目的

• 高エネルギー物理学における高速かつ高精度なカロリメータシミュレーションを動機づける。
• 明示的な入力密度を必要とせず、快速シミュレーションから完全シミュレーションへ写像する Schrödinger ブリッジベースの改良（SQuIRELS）を提案する。
• エネルギー和と完全な 10×10 カロリメータ・ショーの 1対1 の改良を実証する。
• Geant4 との精度をベンチマークし、CPU と GPU での計算速度向上を評価する。
• 再現性と今後の研究のために公開データとコードを提供する。

提案手法

• 高速シミュレータからのサンプルを高忠実度ターゲットへ改良するために Schrödinger ブリッジ（SB）定式化を用いる。
• 前向きおよび後向きドリフト関数をニューラルネットワークで近似した IPF にヒントを得た反復輸送を用いる。
• 入射エネルギーに条件付けした1Dエネルギー和の改良のための SQuIRELS-E を導入し、エネルギー和を写像する全結合型エンコーダ–デコーダを訓練する。
• ソースとターゲット分布からの入射エネルギーとエネルギー和に条件付けて、10×10 カロリメータ・ショーへ拡張する。
• 正規化と正弦波型 timestep 埋め込みによる前処理を行い、Adam 最適化と EMA で訓練する。

実験結果

リサーチクエスチョン

• RQ1 Schrödinger ブリッジベースの改良は、エネルギー和とショー全体の画像の両方で、速いカロリメータシミュレーション（GFlash）から完全な Geant4 シミュレーションにサンプルを写像して一致させることができるか？
• RQ2 エネルギー和のための SQuIRELS-E と完全なショーのための SQuIRELS の二段階アプローチは、Geant4 レベルの特徴を顕著な速度向上とともに再現するか？
• RQ3 分布精度の定量的な向上（EMD）はどの程度で、CPU と GPU の速度向上はどう比較されるか？
• RQ4 1対1の改良は、異なる入射エネルギー（20、50、80 GeV）および固定エネルギー試験で頑健であるか？
• RQ5 SQuIRELS は、明示的な入力密度関数を必要とせずに高次元のカロリメータデータをどのように扱うか？

主な発見

• SQuIRELS-E は 20、50、80 GeV にわたるエネルギー和分布で Geant4 とほぼ一致し、GFlash に比べてミスマッチを大幅に減らす。
• SQuIRELS（full）は、ショーを完全に改良する際にエネルギー和の整合性を保持し、複数の観測量で Geant4 との強い整合性を維持する。
• いくつかの観測量（エネルギー和、スペクトル、ヒット数、横断プロファイル）に渡って、Geant4 に一致する点で SQuIRELS は GFlash より優れており、乖離指標が低いことを示している。
• 計算時間の結果、SQuIRELS がショーを改良するのは CPU で Geant4 の約 50 倍、GPU で約 7700 倍速く、GFlash の前処理が GPU 時間を支配している。
• 総じて、SQuIRELS は高速シミュレータに対して大幅な精度向上を提供し、Geant4 に対する速度向上も引き続き大きく、CPU ハードウェアでも有効である。