[논문 리뷰] Calorimeter shower superresolution

Ian Pang, J. A. Raine외 1명|arXiv (Cornell University)|2023. 08. 22.

Particle physics theoretical and experimental studies참고 문헌 86인용 수 4

한 줄 요약

SuperCalo는 계산 비용과 생성 시간을 크게 줄이며 높은 정밀도와 다양성을 유지하면서, 굵은 해상도의 캘로리메터 샤워를 높은 해상도의 세밀한 샤워로 효율적으로 업샘플링하는 플로우 기반 초해상도 모델을 소개한다. 이 방법은 개선된 확장성과 정밀도를 바탕으로 CaloChallenge 2022 데이터셋 2에서 최신 기술 수준의 성능을 달성한다. 굵은 볼륨 에너지 입력을 바탕으로 세밀한 볼륨의 조건부 밀도를 학습함으로써 성능을 높인다.

ABSTRACT

Calorimeter shower simulation is a major bottleneck in the Large Hadron Collider computational pipeline. There have been recent efforts to employ deep-generative surrogate models to overcome this challenge. However, many of best performing models have training and generation times that do not scale well to high-dimensional calorimeter showers. In this work, we introduce SuperCalo, a flow-based superresolution model, and demonstrate that high-dimensional fine-grained calorimeter showers can be quickly upsampled from coarse-grained showers. This novel approach presents a way to reduce computational cost, memory requirements and generation time associated with fast calorimeter simulation models. Additionally, we show that the showers upsampled by SuperCalo possess a high degree of variation. This allows a large number of high-dimensional calorimeter showers to be upsampled from much fewer coarse showers with high-fidelity, which results in additional reduction in generation time.

연구 동기 및 목표

• 고에너지 물리학 시뮬레이션에서 발생하는 계산 병목 현상을 해결하기 위해 캘로리메터 샤워 생성을 가속화하는 것.
• 고차원 데이터에 대해 끝에서 끝까지 훈련하지 않고도 굵은 해상도의 샤워를 세밀한 해상도로 업샘플링하는 확장 가능한, 미분 가능한 초해상도 프레임워크를 개발하는 것.
• 고차원 데이터에 대한 직접적인 훈련 없이도 적은 수의 굵은 샤워로부터 조건부 초해상도 함수를 학습하여 메모리 사용량과 생성 시간을 줄이는 것.
• 확률 모델링을 통해 제한된 수의 굵은 입력에서 높은 다양성과 높은 정밀도의 세밀한 샤워를 생성할 수 있도록 하는 것.
• 고차원 캘로리메터 샤워 시뮬레이션에서 직접 생성 모델링보다 초해상도 기법의 타당성과 우수성을 입증하는 것.

제안 방법

• SuperCalo는 정규화 플로우를 사용하여 조건부 밀도 $ p(\vec{E}_{\text{fine}}|\vec{E}_{\text{coarse}}) $ 를 모델링하며, 단순한 사전 분포에서 복잡한 세밀한 샤워 에너지 분포로의 이변환을 학습한다.
• 모델은 굵은 볼륨 에너지, 그들의 공간적 위치, 그리고 인접한 굵은 에너지를 조건으로 삼아, 각 굵은 볼륨 별로 국소적이고 독립적인 업샘플링을 가능하게 한다.
• 핵심 혁신은 굵은 해상도 표현을 입력으로 사용하고, 굵은 특징에 조건부된 플로우 기반 모델을 통해 세밀한 출력을 생성함으로써 고차원 모델링을 피하는 것이다.
• 사전 처리 단계로 로짓 변환과 노이즈 주입을 수행하여 희소하고 0으로 가득 찬 에너지 분포에서의 훈련을 안정화시킨다.
• 공간 일반화를 향상시키기 위해 원핫 인코딩된 굵은 층 및 r-bin 레이블을 조건 입력으로 사용한다.
• 추론 단계에서는 학습된 조건부 분포에서 샘플링을 통해 단일 굵은 입력에서 여러 다양성이 있는 세밀한 샤워를 생성한다.

Figure 3: Plot of AUC scores for classifier trained on voxel energies from single layer (blue), two adjacent layers (red) and three adjacent layers (green). The horizontal axis indicates the layer number of the first layer’s voxels that the classifier was trained on. For the final layer (45) the pre

실험 결과

연구 질문

• RQ1 정규화 플로우 기반 초해상도 기법이 높은 정밀도로 굵은 캘로리메터 샤워를 높은 해상도의 세밀한 샤워로 업샘플링하는 데 효과적인가?
• RQ2 제안된 SuperCalo 프레임워크가 고차원 샤워의 직접적, 끝에서 끝까지 생성 모델링에 비해 계산 비용과 생성 시간을 줄이는가?
• RQ3 적은 수의 굵은 샤워로부터 확률적 업샘플링을 통해 얼마나 많은 수의 고정밀도 세밀한 샤워를 생성할 수 있는가?
• RQ4 굵은 볼륨화의 선택이 초해상도 모델의 성능과 일반화 능력에 어떤 영향을 미치는가?
• RQ5 빠르고 확장 가능한 추론을 가능하게 하면서도 모델이 현실적인 샤워 형태와 에너지 침착 패턴을 유지할 수 있는가?

주요 결과

• SuperCalo는 굵은 입력에서 세밀한 캘로리메터 샤워를 고정밀도로 재구성하며, 분류기 기반 지표는 참조 GEANT4 시뮬레이션과의 분포 유사성에 강력한 증거를 제공한다.
• 모델은 단일 굵은 입력에서 다양하고 고정밀도의 샤워를 생성할 수 있어 대규모 굵은 훈련 데이터의 필요성을 줄인다.
• 직접적인 고차원 생성 모델 대비 생성 시간이 크게 단축되었으며, 굵은 해상도에서 세밀한 해상도로의 추론 파라다임 덕분에 추론 속도 향상이 가능했다.
• 플로우 기반 모델링을 통해 정확한 가능도 계산과 안정적인 훈련이 가능했으며, 희소하고 0이 많은 에너지 분포에서도 성능이 유지되었다.
• 다양한 굵은 볼륨화 방법에 대해 성능이 뛰어나며, 새로운 입사 에너지와 샤워 구조에 대해서도 강력한 일반화 능력을 보였다.
• 분류기 기반 평가 결과, 생성된 샤워가 저수준 및 고수준 특성 측면에서 참조 샤워와 통계적으로 구분되지 않음을 확인하여 고정밀도 출력을 입증했다.

Figure 4: Histograms of the $\rho$ distribution for inner, middle and outer coarse radial bins (from left to right). Distribution of Geant 4 data is shown in gray, and that of SuperCalo $A$ ( $B$ ) as red (blue) lines. See text for definition of $\rho$ .