[論文レビュー] Ultra-High-Resolution Detector Simulation with Intra-Event Aware GAN and Self-Supervised Relational Reasoning

Hosein Hashemi, N. M. Hartmann+3 more|arXiv (Cornell University)|Mar 7, 2023

Medical Imaging Techniques and Applications被引用数 24

ひとこと要約

本論文は IEA-GAN を提案します。これは intra-event 関係推論と自己教師あり損失を備えた GAN で、超高解像度の検出器応答を生成し、Belle II PXD データで最先端の忠実度（FID = 1.50）を達成し、ストレージ削減を実現します。

ABSTRACT

Simulating high-resolution detector responses is a computationally intensive process that has long been challenging in Particle Physics. Despite the ability of generative models to streamline it, full ultra-high-granularity detector simulation still proves to be difficult as it contains correlated and fine-grained information. To overcome these limitations, we propose Intra-Event Aware Generative Adversarial Network (IEA-GAN). IEA-GAN presents a Relational Reasoning Module that approximates an event in detector simulation, generating contextualized high-resolution full detector responses with a proper relational inductive bias. IEA-GAN also introduces a Self-Supervised intra-event aware loss and Uniformity loss, significantly enhancing sample fidelity and diversity. We demonstrate IEA-GAN's application in generating sensor-dependent images for the ultra-high-granularity Pixel Vertex Detector (PXD), with more than 7.5 M information channels at the Belle II Experiment. Applications of this work span from Foundation Models for high-granularity detector simulation, such as at the HL-LHC (High Luminosity LHC), to simulation-based inference and fine-grained density estimation. To our knowledge, IEA-GAN is the first algorithm for faithful ultra-high-granularity full detector simulation with event-based reasoning.

研究の動機と目的

• 粒子物理における超高解像度の検出器応答の迅速でストレージ効率の良いシミュレーションを動機づける。
• 高い空間解像度を持つイベント内の微細で相関のある検出画像の課題に対処する。
• イベント内相関とクラス間関係を捉える GAN アーキテクチャを開発する。
• 忠実度と多様性を向上させる新しい損失項と関係推論モジュールを提案する。

提案手法

• 文脈認識イベントグラフを形成する Relational Reasoning Module (RRM) を備えた Intra-Event Aware GAN (IEA-GAN) を導入する。
• ダイアディックなクラス間関係をモデル化する自己教師付き 2C 損失と、モード崩壊を防ぐ Uniformity 損失を使用する。
• イベントレベルの変動性を表す乱数自由度 (Rdof) で生成器の埋め込みを装飾する。
• 埋め込みを単位超球へ射影して訓練を安定化し、関係推論を可能にする。
• 敵対的損失、2C、IEA、Uniformity 損失の組み合わせで訓練し、イベント内相関と文脈を捕捉する。
• 画像レベルの指標（FID）と物理レベルの指標（occupancy, helix parameter resolution）を用いて評価する。

(a) Rdof stands for Random degrees of freedom, which decorates the generator’s sensor/layer embedding with an event-level learnable embedding responsible for the generator’s intra-event correlation. The Relational Reasoning Modules (RRM) in the generator and the discriminator do the intra-event reas

実験結果

リサーチクエスチョン

• RQ1 イベント内相関を保持しつつ、超高解像度で検出器のような画像をどのように忠実に生成できるか？
• RQ2 リレーショナル推論と自己教師付き損失は、高次元の検出データにおいて最先端の GAN を超える忠実度と多様性を改善できるか？
• RQ3 生成サンプルは Geant4 に匹敵する現実的な occupancy、エネルギー分布、トラックパラメータの分解能を再現するか？
• RQ4 オンライン生成とオフライン背景オーバーレイの比較で大幅なストレージ削減を達成できるか？

主な発見

• IEA-GAN は評価対象モデルの中で最も低い FID を達成し、1.50±0.16、WGAN-gp、BigGAN-deep、ContraGAN、PE-GAN を上回る。
• IEA-GAN はイベント内相関と層依存の文脈情報を捉え、サンプルの多様性と現実性を向上させる。
• モデルはピクセルレベルの分布で Geant4 との強い一致を示し、ヘリックスパラメータ分解能の物理的挙動を保持する。
• Uniformity 損失と Relational Reasoning Module はモード崩壊の緩和と双峰の occupancy 分布の表現を改善する。
• Belle II PXD（7.5M チャンネル）への適用は、背景オーバーレイを保存する代わりにオンザフライ生成を可能にすることで大幅なストレージ節約を実証する。
• 本手法は HL-LHC規模の検出器シミュレーションや他の細粒度密度推定タスクへの適用可能性を示す。

(b) The Relational Reasoning Module for the generator (left) and the discriminator (right)